في خطوة جديدة نحو تحسين التقنيات المستخدمة في تعلم الذكاء الاصطناعي، طورت مجموعة من الباحثين طريقة مبتكرة لتدريب الشبكات العصبية تعتمد على الدوال العتبية الثنائية (Boolean threshold functions). هذه الطريقة تسمح للشبكات العصبية بالعمل مع بيانات بديلة تحوي قيمًا تتراوح بين +1 و-1، مما يجعلها أكثر فعالية في تطبيقات متعددة.

تعتمد هذه الطريقة على إعادة صياغة عملية تقليل الخسارة من خلال استخدام قيود غير مقعرة، حيث يتم التعبير عن التدريب من خلال عملية تقسيم وتناقض تشمل قيودًا مكملة. تتضمن هذه القيود الحفاظ على تناسق الدوال العتبية عند الإدخال والمخرجات، بالإضافة إلى فرض توافق بين مخرجات الخلايا العصبية والمدخلات السفلية، وزيادة فعالية التعلم.

استخدم الباحثون خوارزمية الإسقاط (reflect-reflect-relax) لتصحيح هذه القيود، وهو ما يؤدي إلى تحقيق نماذج أكثر كفاءة وبساطة، قابلة للفسر. كما بينت النتائج أن هذه الطريقة نجحت في تحقيق حلول دقيقة أو عامة قوية عبر مجموعة من المهام، بما في ذلك اكتشاف دوائر المضاعفات، والتشفير الثنائي، والاستدلال على الشبكات المنطقية، مما يدل على فعالية هذه الأساليب في تحقيق النتائج حيث تكافح الطرق القائمة على الانحدار.

تفتح هذه النتائج آفاقًا جديدة لفهم أفضل للأنظمة العصبية واستراتيجيات التعلم، مما سيؤثر بشكل مباشر على تطوير تطبيقات الذكاء الاصطناعي في المستقبل بشكل أكثر كفاءة ووضوحًا.