في عالم الذكاء الاصطناعي، قدمت الشبكات العصبية (Neural Networks) مساهمات هائلة في تطوير تقريبات متقدمة للدوال المستمرة. يبرز نظرية التقريب العالمية (Universal Approximation Theorem) التي تفيد بأن شبكة عصبية ذات طبقة مخفية واحدة تكفي لتقريب أي دالة مستمرة وحيدة المتغير على مجال مضغوط بأخطاء تعسفية.

لكن السؤال المحوري هنا هو ما إذا كانت هذه التمثيلات فريدة، أم أن هناك عدم تمييز عملي يمكن أن يؤثر على نتائج الشبكات العصبية. في هذا السياق، تتناول الدراسة الجديدة تحليل التماثل الوظيفي (Functional Equivalence) والتنوع الهندسي (Geometric Diversity) لتقريبات الشبكات العصبية لدوال رياضية بسيطة.

تتضمن هذه التحليلات دراسة شاملة للشبكات العصبية ذات الطبقة الواحدة والطبقات المتعددة في ظروف ضجيج مختلفة. بالإضافة إلى القدرة على ضبط الشبكة، تم استكشاف الخصائص الهندسية من خلال منظور الفوضى (Sloppiness)، مما يتميز بمجموعة القيم الذاتية لمصفوفة هيسيان (Hessian) لدالة التكلفة، وقياس الفعالية لتحديد أبعاد فضاء المعلمات.

تكشف الدراسة عن مجموعات كبيرة من الشبكات التي تتسم بالتماثل الوظيفي وغير القابلة للتفريق على الرغم من تنوعها الهندسي. هذه الشبكات تظهر باستمرار انخفاضًا في الرتبة الفعالة (Effective Rank) وتكرار الهيكل (Structural Redundancy)، مما يفتح آفاقًا جديدة لفهم كيف يمكن أن تعمل الشبكات العصبية بطرق أكثر كفاءة.

وأخيرا، تم اقتراح معيار لاختيار النماذج المثلى التي تأخذ في الاعتبار البساطة وسهولة التقدير وكفاءة الاستدلال. هذه العناصر تُظهر كيف يمكن تحسين نماذج الذكاء الاصطناعي ليس فقط من حيث الدقة، ولكن أيضًا من حيث الفاعلية العامة.