لقد غيّرت نماذج الترنسفورمرز (Transformers) وجه التعلم الآلي بقدرتها الفائقة على معالجة مشكلات معقدة تحاكي الرسوم البيانية. وفي عالم لا يُمكن فيه إغفال العمق والعرض، تُطرح تساؤلات مهمة حول حجم النموذج الأمثل لتنفيذ المهام.

أظهر البحث الأخير أن استخدام عرض أقل من التخفيض اللوجاريتمي يُساعد في تقليل العمق المطلوب. لكن السؤال الذي يُثير الفضول هو: ماذا لو تم السماح بزيادة العرض بشكل خطي مع الحفاظ على العمق ثابتًا؟ هنا يكمن تحوّل مثير وغير متوقع، حيث تبين أن الزيادة المعتدلة في العرض تسمح نماذج أعمق أقل، منفعة تتجاوز ذلك في زمن الاستدلال والتدريب.

لكن ليست كل المهام مُتساوية، فقد وجدت الأبحاث أن بعض المشاكل تتطلب عرضًا تربيعيًا لتحقيق الأداء الأمثل. هذا يكشف عن طبيعة معقدة ومثيرة تتعلق بتطبيقات الترنسفورمرز في خوارزميات الرسوم البيانية. كما تمت دراسة العلاقة بين عمق النموذج وعرضه، مما أدى إلى ظهور نتائج مثيرة، حيث أظهرت نماذج أوسع نفس دقة النماذج العميقة، لكن بسرعة تدريب واستدلال أسرع بفضل الأجهزة القابلة للتوازي.

بهذه النتائج، يُسجَّل تقدم كبير في فهم كيفية تحسين أداء النماذج في إطار مشكلات الرسوم البيانية، مما يفتح أفقًا جديدًا في مجال الذكاء الاصطناعي.