في زمن تتسارع فيه وتيرة التطورات التكنولوجية، يبرز الكود التصوّري المغلق (Closed-form Predictive Coding) كحلٍّ جديدٍ ومبتكرٍ لتحديات تدريب الشبكات العصبية الاصطناعية. هذا المنهج يعرض بديلاً محليًا وأساسيًا بيولوجيًا لطريقة العودة العكسية (Backpropagation)، ولكن نتيجة لبعض القيود، كانت أداؤه أبطأ بشكل ملحوظ، وخاصةً عند زيادة عمق الشبكة.

تقع جذر هذه المشكلات في تبسيطٍ واحدٍ: الشبكات المعتمدة على الكود التصوّري كانت تعتمد على مصفوفة الدقة الثابتة، مما يتجاهل الأخطاء المتوقعة المعززة بالدقة التي تحتاجها لتكون سريعة وفعّالة. لذلك، قمنا بإغلاق هذه الفجوة من خلال تقديم شبكات الكود التصوري كمرشحات غاوسية هرمية عميقة (Deep Hierarchical Gaussian Filters)، مما أعاد تفعيل تمرير الرسائل المتضررة بالدقة، مما يوفر تقديرات ديناميكية لعدم اليقين وقواعد تحديث متوافقة مع هيبيان (Hebbian) في كل طبقة.

هذه الشبكات تخدم أيضًا كحزمة متكاملة لتعلم التنشيطات (Activations) والأوزان (Weights) والدقات (Precisions) بموجب هدف طاقة حرّة واحدة، دون الحاجة لإشارة خطأ عالمية، مما يجعل عملية الاستدلال تكتمل دون الحاجة لدورات متكررة أو تمييز تلقائي.

وعند اختبار نظامنا على مجموعة بيانات FashionMNIST، أوضح الحل الجديد قدرته على الاقتراب من تكلفة التعليم عبر العودة العكسية في تكاليف الوقت، بينما تقارب عدد الدورات المطلوبة (
Epochs) وحقق أداءً متفوقًا في المهام المعتمدة على الكفاءة الزمنية والبيانات.

في الختام، يعد الاستنتاج أن الاستدلال المتغير المغلق مع التعلم الديناميكي للدقة يوفر أساسًا متينًا لشبكات الكود التصوري العميقة، محتفظاً بمميزات بيولوجية وتفسيرية بدون الحاجة للتخفيف التكراري أو إشارات خطأ عالمية. هل أنتم مستعدون لاستكشاف آفاق جديدة في الذكاء الاصطناعي؟