في عالم الذكاء الاصطناعي، تزداد الحاجة إلى نماذج اللغات الضخمة (Large Language Models) التي تضم مليارات المعاملات. لكن هذه الأعداد الهائلة تأتي بتكاليف جسيمة، حيث تفرض متطلبات ذاكرة عالية قد تحد من استخدامها في البيئات ذات الموارد المحدودة. لذلك، تُعتبر تقنيات ضغط الشبكات العصبية (Neural Networks) أمرًا حيويًا.

في هذا السياق، برزت خوارزمية تحليل القيم الفردية (Singular Value Decomposition - SVD) كعنصر أساسي لضغط المصفوفات من خلال التحليل. على مر السنوات، كانت الأبحاث السابقة تركز على تحسين دقة الضغط من خلال محاولة تحليل مصفوفات الوزن في الشبكات العصبية إما من منظور أهمية المعاملات أو من حيث التكافؤ الوظيفي لكل طبقة. لكن البحث الجديد يسعى إلى دمج هذين المنظورين في هدف واحد متكامل.

ومن الأمور المهمة التي تؤثر على جودة الضغط هي توزيع معدل الضغط عبر الطبقات والمعاملات في الشبكة العصبية. حيث كانت الدراسات السابقة تعتمد غالبًا على توزيع معدلات الضغط بشكل متساوٍ أو تعمد إلى الحلول الحسابية المكلفة. بينما يسعى هذا البحث الجديد إلى اقتراح خوارزمية محسّنة وفعّالة من الناحية الحسابية، تتيح تخصيص معدل الضغط بشكل ديناميكي.

تظهر النتائج التجريبية فاعلية هذا النهج، حيث يتفوق على الأساليب السابقة، لا سيما تحت معدلات ضغط عالية. مما يفتح آفاقًا جديدة لتطبيق نماذج اللغة الضخمة في بيئات أكثر تحديًا، وبالتالي تعزيز تأثيرها وكفاءتها.