في عالم الذكاء الاصطناعي، تظل فعالية أداء الأنظمة المتطورة مسألة محورية. لذا، قدم الباحثون في دراسة جديدة قاعدة فحص مسجلة مسبقًا تهدف إلى تحديد ما إذا كان من المجدي بناء حلقات تطورية (Evolutionary Outer Loop) في معالجة معلمات الشبكات العصبية. تكاليف هذه الحلقات تتراوح من 100 إلى 1000 ضعف تكلفة الحلقات الداخلية عبر التدرج (Gradient Inner Loop)، لذا فنحن بحاجة إلى وسيلة موثوقة للتقييم قبل البدء في العمليات المكلفة.

تشير القاعدة الجديدة إلى حساب بسيط يرتبط بمعلمتين أساسيتين: "الاسترداد (Recovery) R"، الذي يمثل نسبة الأداء (s) لأفضل إحصائية (Gradient/Curvature Statistic) مقسومة على أفضل مكسب (G) لطريقة رخيصة تم تقييمها. إذا كانت قيمة R أكبر من أو تساوي 90%، فإن القاعدة توصي بعدم بناء الحلقة التطورية.

تم اختبار هذه القاعدة في تجارب داخلية، حيث أظهرت النتائج فعالية القاعدة بشكل واضح. في حالتين تم تحليلهما، استحقت التقييمات الاستغناء عن الحلقات التطورية حيث حققت الحسابات الأحادية الأثر المرغوب. كما ساعدت القاعدة في تقليل التكاليف الزمنية، حيث ساعدت في تفادي حوالي 400+ ساعة من استخدام وحدات معالجة الرسوم (GPU) بالإضافة إلى أسابيع من العمل.

تكمن قوة هذه القاعدة في أنها قابلة للتفنيد: إذا حدث وفشلت الحلقات التطورية في التفوق على الأداء الأحادي حتى مع قيمة R أقل من 90%، فإن القاعدة ستُعتبر غير صحيحة.

بهذه الطريقة، يقدم هذا البحث أداة قيمة للمطورين والباحثين في مجال الذكاء الاصطناعي، مما يوفر مصداقية وتحليلات فعالة لاختيار الأنظمة الأكثر فعالية قبل استثمار الموارد فيها.