في تطور حديث ومثير، تمكن فريق من الباحثين من تحسين خوارزمية الانتقال التوازني (Equilibrium Propagation) والتي تعد مستوحاة من الفيزياء، بحيث أصبحت قابلة للتطبيق على الأنظمة غير التوافقية. تلعب هذه الأنظمة دورًا كبيرًا في تطبيقات الذكاء الاصطناعي، لذا فإن توسيع نطاق هذه الخوارزمية يمثل خطوة هامة نحو تحسين عملية التعلم.

تأسست فكرة الانتقال التوازني على استخدام الحالتين الثابتتين من نظام ديناميكي سواء في عملية الاستدلال أو التعلم. ومع ذلك، كانت النسخة الأصلية للخوارزمية محصورة في الأنظمة التوافقية، أي الديناميات التي تعتمد على وظيفة طاقة معينة. لذا، كان التحدي الرئيسي هو كيفية تعميم هذه الخوارزمية لتشمل أنظمة ذات تفاعلات غير متبادلة.

على الرغم من أن المحاولات السابقة فشلت في حساب التدرج الدقيق لوظيفة التكلفة، إلا أن الباحثين قدموا إطار عمل جديد يوسع استخدام خوارزمية الانتقال التوازني لتشمل الأنظمة غير التوافقية، بما في ذلك الشبكات التغذوية (Feedforward Networks). احتفظ هذا الإطار بأحد الخصائص الأساسية للانتقال التوازني، وهي استخدام الحالات الثابتة كقواعد لكل من الاستدلال والتعلم.

أما في مرحلة التعلم، فقد تم تعديل الديناميات من خلال إضافة جزء يتناسب مع جزء التفاعل غير المتبادل للحصول على التدرج الدقيق لوظيفة التكلفة. والجدير بالذكر أن هذا الخوارزمية يمكن اشتقاقها أيضًا باستخدام صيغة تفاضلية تولد ديناميات التعلم من خلال وظيفة طاقة المعرفة عبر فضاء حالة موسع.

أظهرت التجارب العددية أن هذا الأسلوب الجديد يحقق أداءً أفضل ويصل لنتائج أسرع من الاقتراحات السابقة، مما يعني نجاحًا مهمًا في مجال التعلم الآلي. إن هذه التطورات تفتح آفاقًا جديدة ليس فقط من حيث الكفاءة، بل أيضًا في قدرتنا على فهم وتطبيق النماذج المعقدة في الأنظمة غير التوافقية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.