أصبح الذكاء الاصطناعي (AI) يتقدم بخطوات سريعة، ودائمًا ما يسعى الباحثون إلى تطوير نماذج تعزز من قدرات هذا الذكاء في معالجة البيانات والاستدلال عليها. ومن بين هذه الابتكارات الجديدة يأتي نموذج
**FloydNet** الذي يقدم طريقة تعلم جديدة تركز على التفكير الاستدلالي العالمي.

تُظهر التقنيات الحديثة في معالجة البيانات اعتماد العديد من خوارزميات التعلم الآلي على الحالة الأساسية للعلاقات بين العناصر.
لكن ما يميز FloydNet هو استخدام ما يسمى
**Pivotal Attention** (PA)، الذي يمنح البحث عن العلاقات بين العناصر - مثل القيم الضمنية - أبعادًا جديدة من خلال تحديث العلاقات المستهدفة بطريقة منظمة.

يتبع هذا النموذج هيكل ثنائي وفق آلية Floyd-Warshall، حيث يقوم بتعلم تركيب العلاقات ووزن المحاور في وقت واحد دون الحاجة إلى التكرار.

فقد طُوّر إطار عمل
**kFloydNet** لتوسيع هذا التشغيل بحيث يتعامل مع تراكيب مرتبة مكونة من k عناصر، حيث تعد حالات الانتباه الذاتي (Self-Attention) وPA من الحالات الأساسية في هذا النظام.

وعلى صعيد النتائج، أظهر FloydNet دقة متوسطة تصدرت 96.64% وفقًا للبروتوكول CLRS-30، فضلاً عن معدل مثالية بلغ 99.8% عند اختبار 10 عينات على حالات متروكة من مشكلة البائع المتجول (TSP) غير المترية.

مع هذه الابتكارات، يُظهر FloydNet قدرة هائلة على معالجة العلاقات بين العناصر بطرق لم نشهدها من قبل، مما يفتح المجال أمام تطبيقات مستقبلية هائلة في مجالات متعددة. ما هي توقعاتكم لمستقبل FloydNet في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!