تجذب خوارزمية الشامبو (Shampoo) انتباه الباحثين في مجال الذكاء الاصطناعي نظرًا لأدائها الفائق في تحسين العمليات على نطاق واسع. ومع ذلك، تواجه هذه الخوارزمية تحديًا كبيرًا يتمثل في عبء الحسابات المرتفع الناتج عن عكس المصفوفات، مما يجعلها غير عملية في التطبيقات الفعلية.

في محاولة لمواجهة هذه العقبات، يعتمد الكثير من الممارسين على تحديثات مسبقة (stale preconditioner updates) كوسيلة لتخفيف العبء الحسابي، مما يؤدي إلى مفاضلة جوهرية بين كفاءة العمليات ودقة التحسين. ولذلك، تعرض دراسة جديدة معالجة مبتكرة لفهم ظاهرة التقدم الزمني (staleness) من منظورين مختلفين: التقارب (convergence) والثبات (stability).

رغم أن التقدم الزمني قد يعزز الكفاءة الحاسوبية، إلا أنه يؤثر سلبًا على الأداء ويؤدي إلى عدم الاستقرار العددي. لذلك، قام الباحثون بتحديد دور التخميد (damping) كعامل فعال في تثبيت النظام، مما يساعد على تقليل الآثار السلبية لهذه الظاهرة.

بناءً على هذه التحليلات، قدم الباحثون خوارزمية FOAM، وهي خوارزمية تعتمد على التكيف، تقوم بتثبيت عملية التدريب عن طريق ضبط عامل التخميد وتكرار تحليل القيم الذاتية (eigendecomposition frequency) بشكل ديناميكي استنادًا إلى تقدير للخطأ المرتبط بالتقدم الزمني.

أظهرت النتائج التجريبية أن FOAM تخفض الوقت المستغرق مقارنةً بخوارزمية الشامبو التقليدية، مع الحفاظ على مستوى عالٍ من التقارب والثبات. يعد هذا التطور خطوة جديدة في عالم الذكاء الاصطناعي، يجمع بين الكفاءة والدقة في الخوارزميات الحديثة.