شهدت عمارة المحولات (Transformers) تقدمًا كبيرًا في مجال تعلم التمثيلات (Representation Learning) واستدلال النماذج العميقة بفضل آليات الانتباه الذاتي (Self-Attention). بجانب ذلك، تأتي أطر الذاكرة الترابطية (Associative Memory) لتربط بين التمثيلات ومجالات الطاقة، مما يوفر آليات استرجاع قابلة للتفسير. لكن، تواجه الديناميكيات المستمرة في الاستدلال نقصًا في المعقولية البيولوجية مقارنة بالشبكات العصبية المستمرة الجاذبة التقليدية (Continuous Attractor Neural Networks - CANNs).

لجسر هذه الفجوة، تم تقديم تقنية Controlled Dynamics Attractor Transformer (CDAT)، التي تمزج بين طاقة انتباه مخلوط von Mises-Fisher (Mo-vMF) وطاقة تحسين Hopfield، مع تعزيز هبوط الطاقة بواسطة تعديل تحفيز-إثباط مستوحى من CANN. يقوم CDAT بتجسيد نظام ديناميكي مقيد بالشكل، حيث يشفر اقترانها البنية العلائقية بين الرموز، مما يربط الديناميكيات المستندة إلى الجاذبية بانتباه قائم على الطاقة الحديثة.

كما تم إجراء تحليل انحلالي بنائي لتأسيس ديناميكيات الاستدلال القابلة للتحكم بشكل رسمي. وبفضل هذه الديناميكيات القوية والمنظمة، حقق CDAT أداءً يتفوق على المعايير المعيارية المتعددة في اكتشاف الشذوذ في الرسوم البيانية وتصنيف الرسوم البيانية.

استعد لتكون جزءًا من التحول الثوري في عالم الذكاء الاصطناعي، حيث يفتح CDAT آفاق جديدة لمستقبل أكثر دقة وفعالية في معالجة البيانات المتشابكة!