في مجال الذكاء الاصطناعي، يعتبر الحفاظ على المتغيرات المستمرة وتحديثها بشكل موثوق من أبرز سمات الذاكرة العاملة (Working Memory). ومع ذلك، كانت الشبكات العصبية التقليدية، مثل الشبكات العودية الاصطناعية (Recurrent Neural Networks) والتي تشمل وحدات التحويل المعزز (GRUs) والذاكرة طويلة الأمد (LSTMs)، تواجه تحديات كبيرة في تحقيق تعلم مستقر للمنظومات المستمرة. ترسم دراسة جديدة ملامح نموذج متقدم يُعرف بشبكة التنميط الانقسامي المتكررة (RDNN) التي تركز على تحسين أداء الذاكرة العاملة من خلال استلهمت من التنميط الانقسامي، وهو نمط شائع في الدوائر القشرية.

تعتمد شبكة RDNN على نموذج بسيط ومعزول رياضيًا، مما يسمح بتحليل أنظمة الديناميكا على المهام الكلاسيكية للذاكرة العاملة. وقد أظهرت التجارب أن هذا القيد الأحيائي يمكّن الشبكة من التكيُّف إلى مناحي بطيئة ذات دقة عالية، مما يعزز قدرتها على التعلم بشكل موثوق.

بالإضافة إلى ذلك، جرى تحليل ديناميات التدرج للتنميط الانقسامي أثناء عملية التغذية العكسية عبر الزمن (Backpropagation Through Time)، مما أظهر أنها تُدخل تصحيحًا محليًا لتطور التدرجات، حيث يُقلل ذلك من تحديثات المعلمات في الأوضاع النشطة للغاية. يساهم هذا في تضييق الديناميات المتكررة إلى فضاء فرعي منخفض الأبعاد، مما يمنع التحديات المرتبطة بالتحليل المنخفض الرتبة.

تظهر نتائج الدراسة أن التنميط الانقسامي ليس مجرد ظاهرة بيولوجية، بل إنه آلية حسابية حاسمة لتعلم تمثيلات مستمرة عالية الدقة. هذه الاكتشافات قد تُحدث ثورة في أداء الشبكات العصبية، وتطرح سؤالًا حول كيفية استخدام هذه النماذج في تطبيقات الحياة الواقعية.