في عالم الذكاء الاصطناعي، تحمل الابتكارات في نماذج الاستدلال أهمية خاصة، وقد أحدث مفهوم "منحنى الطاقة الحرة" (Free Energy Manifold - FEM) ضجة كبيرة بين الباحثين. يعد هذا النموذج الجديد تخصصاً فريداً في مجال الشبكات البايزية الهجينة التي تتضمن متغيرات من نوعين: منفصلة ومستمرّة.

تُركّز الفكرة الأساسية لنموذج الطاقة الحرة على تصور كل عامل شرطي كمنظر طاقة يتكون من تجسيدات للمتغيرات المنفصلة والملاحظات المستمرة. وهذا يسمح بالتقييم اللاحق، والتوليد العشوائي، والاستدلال التراكمي عبر أوراق مستمرة متعددة من خلال إضافة الطاقة تحت استقلال شرطي.

واحدة من الاكتشافات الرئيسية في هذا النموذج هي ظاهرة "الجسر في الوضع" (mode-bridge artifact)، حيث يمكن أن يؤدي استخدام النماذج التقليدية للطاقة الشرطية إلى تشكيل تلال طاقة منخفضة بين الأوضاع المنفصلة من نفس الفئة. وبالتالي، ينتج عن ذلك تصورات مفرطة الثقة في النقاط الداخلية غير المعطاة. لحل هذه المشكلة، اقترحت الدراسة استخدام "تنظيم الوادي" (valley regularization) كعبارة تعديل خارجية تعيد توزيع التصورات لتكون شبه متجانسة في تلك المناطق، مما يضمن الحفاظ على الجودة في البيانات المعطاة.

خلال التجارب على معايير بيانات مختلطة متعددة الأوضاع، أظهر نموذج الطاقة الحرة كفاءة ملحوظة في تقليل تباين KL مقارنة بالأساليب التقليدية، وتحقيق مكاسب مميزة خاصة عند الاستفسار عن النقاط الوسيطة لجسر الوضع. كما تم تقييم أداء FEM في حالات ذات شجرة أبوين عالية المتغيرات، بالإضافة إلى فحص صحة نموذج سرطان الثدي من UCI، مما يدل على أن النموذج يكون أكثر فعالية عندما يكون الاستدلال البايزي متعدد الأوضاع أو التركيبي مطلوبًا.

على الرغم من ذلك، لا تزال مصنّفات التمييز تفضل في المهام التصنيفية المحددة. إن هذا التطور يعد خطوة نحو تعزيز القدرات التحليلية للشبكات البايزية، مما يفتح آفاقًا جديدة للبحث في الذكاء الاصطناعي.