في عالم الذكاء الاصطناعي، ظهرت نماذج اللغة الضخمة (LLMs) كأدوات قوية لتحليل وفهم اللغة الطبيعية. وأظهرت الأبحاث الحديثة أن تصنيف استجابات هذه النماذج يمكن أن يتم بشكل فعال من خلال نمذجة تمثيلات الرموز كمسارات لنظام ديناميكي (Dynamical System) أسود. لكن التساؤلات تظل قائمة حول كيفية عمل هذا النهج نظرًا لتعقيد البيانات.

ركزت هذه الدراسة على تحديد العملية النظرية التي تفسر أداء هذا التمييز الديناميكي، من خلال تصنيف المهمة كاختبار فرضي ثنائي بين نظامين ديناميكيين خطيين عشوائيين. أظهرت النتائج أن الفجوة بين التوزيعات الهامشية الثابتة يمكن أن تكون صغيرة جدًا رغم الاختلافات الكبيرة في الديناميات، مما يشير إلى وجود حد أدنى من الدقة لأي مصنف يتجاهل ديناميات الرموز.

علاوة على ذلك، أثبت الباحثون أن احتمال انحراف تصنيف البيانات ينخفض بشكل أسي مع زيادة طول السلسلة (L)، ويتم التحكم في هذا الانخفاض بكمية تمييز ديناميكي (δ²) التي تلتقط المسافة الطيفية بين النظامين. وفي سياق التعميم عبر نماذج التمثيل، قدّموا شرطاً تقريبياً للتداخل بين النماذج ووضعوا حداً أدنى على القابلية للتحويل وفقًا لأصغر قيمة مفردة لخريطة التداخل.

تجمع هذه النتائج بين الأداء التجريبي والنظرية الديناميكية، مما يفتح آفاق جديدة لاستكشاف استخدام نظرية الأنظمة الديناميكية لتحليل أنظمة الذكاء الاصطناعي، بدلاً من الاعتماد على العكس.