في عالم الذكاء الاصطناعي، تعتبر ذاكرة الترابط ثنائية الاتجاه (Bidirectional Associative Memory - BAM) نظاماً أساسياً يُستخدم لتخزين واسترجاع المعلومات. ولكن، مثل معظم الأنظمة، تعاني BAM من مشكلات في القوة أمام الضوضاء والهجمات العدائية، مما يتسبب في ضعف أدائها بشكل كبير.

لذا، ظهر البحث الجديد الذي يركز على خوارزمية تدريب مبتكرة تُعرف باسم Bidirectional Subspace Rotation Algorithm (B-SRA). هذه الخوارزمية لا تعتمد على تدرجات الانحدار التقليدية، بل تُدخل مفاهيم جديدة تساعد في تحسين مرونة BAM وسلوك التقارب.

أثناء التجارب، تم تحديد مبدأين رئيسيين لهما دور أساسي في تعزيز قوة BAM، وهما: المصفوفات الوزنية المتعامدة (Orthogonal Weight Matrices - OWM) ومحاذاة نمط التدرجات (Gradient-Pattern Alignment - GPA). من خلال دمج هذه المبادئ في استراتيجيات تنظيم جديدة، أثبت الباحثون أنه يمكن تحسين قدرة BAM على مقاومة التفسخ والتهديدات العدائية.

البحث شمل دراسة تفصيلية على استراتيجيات تدريب متنوعة، لتحديد التكوين الأكثر قوة. النتائج أظهرت أن التكوين المعروف بـ SAME، الذي يجمع بين OWM وGPA، حقق أقوى المقاومة.

باستخدام هذه الأساليب الجديدة، يعد البحث بمستقبل أفضل للمعماريات العصبية القادرة على مواجهة التحديات المعاصرة بشكل أفضل.