تُعتبر الحوسبة السدودية (Reservoir Computing) أحد المجالات الواعدة في التعلم الزمني، حيث تفصل بين معالجة الديناميكيات والطبقة المدربة للاستخراج. ومع ذلك، فإن الشبكات التقليدية ذات الحالة المتكررة (Echo State Networks) تحتاج غالبًا إلى تهيئة دقيقة للمعمارية والبارامترات لتحقيق أداء جيد. هنا يظهر الابتكار الجديد: EARLY (خوارزمية التطور لتعلم واستخراج السدود).

تقدم EARLY إطارًا رقمية، يعمل على تطوير كل من الهيكلية والبارامترات للشبكات المتعددة، مستلهمًا من التنظيم العصبي في الدماغ البشري. يتم ترميز المعماريات كجنيات قائمة على الرسم البياني، وتطبق تقنيات مثل التزاوج والطفرة والاختيار لاكتشاف التكوينات الفعالة.

هدفنا هو خلق معمارية عامة ومهام تعزز من القدرة على التعميم. تم تقييم هذه الطريقة في مهام التعلم الزمني من مجموعة بيانات CogScale. أظهرت النتائج أن المعماريات المطورة تتفوق على تلك التي تم الحصول عليها من البحث العشوائي في عدة مهام، وتظهر اختلافات هيكلية تعتمد على صعوبة المهمة: حيث تميل المهام الأبسط إلى إنتاج هياكل خفيفة الوزن، في حين تدعم المهام الأكثر تعقيدًا التنظيمات الوحدوية الأكثر ثراءً.

هذه النتائج تشير إلى أن البحث التطوري يمكن أن يساعد في تحديد هياكل سدودية قابلة لإعادة الاستخدام لمجموعة متنوعة من المشكلات الزمنية. علاوة على ذلك، تم تقييم المعماريات المطورة على مجموعة بيانات للتعلم عبر الحالات المختلفة لتقدير قدرتها على التكيف مع بيئات جديدة. هل يمكن أن تكون هذه الخطوات القادمة هي المفتاح لبناء أنظمة ذكاء اصطناعي أكثر تطورًا وسلاسة؟