في عالم الذكاء الاصطناعي، تبرز تقنيات الانتشار كأحد paradigms الرائدة في مجال توليد الرسوم البيانية (graph generation)، بدءًا من تصميم الجزيئات وصولاً إلى التطبيقات المتعددة المتنامية في مجالات متنوعة. ولكن يبقى التحدي الأكبر هو كيفية توسيع هذه النماذج لتناسب الرسوم البيانية الكبيرة. وهنا يأتي دور "دي فون" (DiPhon) كشكل مبتكر من النماذج التي تستخدم خصائص الرسم البياني الثقيل (graphons) التي لا تعتمد على الحجم.

يسلط هذا البحث الضوء على كيفية استخدام "دي فون" نموذج الانتشار المستمر على مساحة الرسوم البيانية، من خلال معادلة جاكوبى العشوائية (Jacobi Stochastic Differential Equation, SDE). ونقترح أيضًا نموذجًا مفصلاً يحتوي على عملية على مستوى الرسم البياني (graph-level process)، مما يحاكي هذه الديناميكيات على الرسوم البيانية المحدودة.

أحد الإنجازات الرئيسية هو اشتقاق عملية الزمن العكسي، والتي تتطلب الوصول إلى درجاتها الهامشية. وعلى صعيد آخر، يتمتع نموذج "دي فون" بخصائص إحصائية رئيسية تجعله مناسبًا لتوليد الرسوم البيانية القابلة للتوسع، حيث نسعى من خلال هذا النظام إلى تجاوز حدود نموذج الانتشار التقليدي.

من خلال التجارب، يظهر مدى قدرة "دي فون" على التوسع عبر تدريب النموذج على رسوم بيانية صغيرة لمدة معينة، ومن ثم إنتاج رسوم بيانية أكبر تدريجيًا دون الحاجة إلى إعادة التدريب، مع الحفاظ على الخصائص الطوبولوجية الأساسية لتلك الرسوم البيانية.

إن "دي فون" ليس مجرد مدينة بصرية، بل يُعَد تحولا كبيرًا في كيفية النظر إلى البيانات الرسومية وتوليدها. فكيف ترى مستقبل تقنيات الذكاء الاصطناعي في هذا المجال؟ نعود إليكم بسؤالنا المفتوح: ما رأيكم في التطبيقات المستقبلية لهذه النماذج؟