تُعَدّ نماذج الانتشار (Diffusion Models) من أبرز الابتكارات في مجال الذكاء الاصطناعي، إذ تُظهر كيف يمكن تحويل البيانات إلى ضوضاء ثم العودة بها مجددًا إلى شكلها الأصلي. هذه النماذج ليست مجرد أدوات حسابية بل تمثل استراتيجيات معقدة تعتمد على مبادئ رياضية متينة.

تبدأ عملية نمذجة الانتشار بتعريف عملية تقدمية تقوم بتشويش البيانات وتحويلها إلى ضوضاء تدريجياً، مما يربط توزيع البيانات بفرضية بسيطة من خلال سلسلة من التوزيعات الوسيطة. الهدف هو تعلم عملية عكسية تقوم بتحويل الضوضاء مرة أخرى إلى بيانات، مع استعادة الوسائط التي تم الوصول إليها خلال العملية.

هناك ثلاث رؤى تكاملية لفهم نماذج الانتشار:
1. **الرؤية المتغيرة (Variational View)**: مستوحاة من نماذج التشفير التلقائي (Variational Autoencoders)، تنظر إلى الانتشار كعملية إزالة للضوضاء خطوة بخطوة.
2. **الرؤية القائمة على الدرجات (Score-based View)**: تنطلق من النمذجة القائمة على الطاقة (Energy-based Modeling)، حيث تتعلم تدرج توزيع البيانات المتطور، موضحة كيفية دفع العينات نحو المناطق الأكثر احتمالًا.
3. **الرؤية المرتبطة بالتدفقات (Flow-based View)**: ترتبط بالتدفقات الطبيعية (Normalizing Flows)، حيث تُعالج عملية التوليد كمسار سلس يتحرك فيه العينات من الضوضاء إلى البيانات تحت تأثير حقل سرعة متعلم.

تتشارك هذه الرؤى في بنية أساسية مشتركة: حقل سرعة يعتمد على الزمن يقوم بنقل فرضية بسيطة إلى البيانات. ويتطلب أخذ عينات من هذا النموذج حل معادلة تفاضلية تطور الضوضاء إلى بيانات lelong مساراً مستمراً.

على هذا الأساس، يتناول الكتاب إرشادات لجيل قابل للتحكم وحلول عددية فعالة، بالإضافة إلى نماذج الخريطة المعتمدة على الانتشار التي تتعلم الخرائط المباشرة بين الأوقات المختلفة. يوفر هذا الشرح فهماً مفاهيمياً ومبنيًا رياضيًا حول نماذج الانتشار للقراء الذين لديهم معرفة أساسية في التعلم العميق.