في عالم الذكاء الاصطناعي، لا تزال الشبكات العصبية المتماثلة (Equivariant Networks) تكتسب المزيد من الاهتمام، وذلك لما تقدمه من حلول جديدة وتأثير جوهري على كيفية معالجة البيانات. يعتمد العديد من هذه الشبكات على خوارزمية آدم (Adam) الشهيرة، وهي واحدة من أكثر خوارزميات تحسين التعلم انتشارًا. ومع ذلك، أفادت أبحاث حديثة أن بعض المُحسنات الهيكلية مثل ميون (Muon) تُظهر أداءً أفضل، مما يثير تساؤلات حول الكيفية التي تتفاعل بها هذه الهياكل مع الشبكات المتماثلة.

تكشف الأبحاث أن الفارق في الأداء يعود جزئيًا إلى كيفية تعلم كل كتلة في الشبكة مصفوفة خلط القنوات $W_l$ والتي تُشارك بين مكوناتها، مما يمنح مجموعة العوامل المصاحبة شكل توسيع. وعندما يتم تطبيق الطبقة مرة واحدة، فإن تدرج $W_l$ يجمع بين أدلة تأثير خارجية، مما يحد من قدرته على التفاعل. فإن خوارزمية آدم تقوم بإعادة تسليم الأوزان بشكل فردي دون أن تأخذ في الاعتبار حدود التماثل، مما يؤدي إلى إنتاج معدلات طيفية مختلفة بين الكتل داخل الطبقة الواحدة.

ولكن، قام الباحثون بحل هذه المشكلة عن طريق تطبيع كل تحديث للكتلة بشكل منفصل، مما يُبقي تقديرات زخم آدم دون أي تغيير كبير في توجيه التحديثات، ورغم ذلك يُحسن الأداء بشكل ملحوظ.

تمت تجربة هذه الآلية في نموذج متماثل مع تحكم كثيف، بالإضافة إلى نموذج لتقدير الطاقة بين الذرات المُدرب على مجموعات بيانات rMD17 وMD22. وأظهرت النتائج أن دمج التحكم في الخطوات بشكل كتلي وضبط معاملات زخم آدم بشكل مستقل يُمكن أن يُعزز من أداء الشبكة، مما يُظهر بوضوح أن تقنيات تحسين الأداء ما زالت بحاجة إلى تطوير وفهم أعمق لتحقيق نتائج متميزة.