في عالم الذكاء الاصطناعي (AI)، يسعى الباحثون دائمًا لإيجاد طرق جديدة لتحسين الأداء وتقليل التعقيد. وفي هذا السياق، يظهر مفهوم الحوسبة عالية الأبعاد (HDC) كحل مبتكر يجمع بين التقنية التقليدية وطرق الذكاء الاصطناعي الحديثة. قدمت الأبحاث الحديثة تحت عنوان تمثيلات الهولوغرام المعممة (Generalized Holographic Reduced Representations - GHRR) تطورًا نوعيًا في هذا المجال.

تتمثل المشكلة الأساسية في حوسبة HDC في بساطتها التي تعيقها عند محاولة ترميز هياكل تركيبية معقدة. لذا، تم اقتراح GHRR كامتداد لتحسين تمثيلات الهولوغرام الحقيقية (Fourier Holographic Reduced Representations - FHRR). إذ يوفر GHRR عملية تجميع مرنة وغير تبادلية، مما يجعله قادرًا على تحسين عملية ترميز البيانات المعقدة، بينما يحافظ على الخصائص المرغوبة لحوسبة HDC مثل المتانة والشفافية.

يستعرض هذا العمل أيضًا الإطار النظري لـ GHRR وخصائصه الأساسية، بالإضافة إلى سلسلة من التجارب التجريبية التي توضح تحسينات دقة فك التشفير للتركيبات المكونة. تجدر الإشارة إلى أن عملية التجميع في GHRR تتفوق على نظيراتها في أنواع HDC الأخرى، حيث يمكنها تنفيذ نوع من آلية الانتباه.

لإثبات ذلك، تم استبدال آلية الانتباه في نموذج transformer التقليدي بنظيرها من GHRR واختبارها في مهمة نمذجة لغوية، حيث أظهرت نتائج أفضل بكثير.

في ختام هذا العرض، فإن تمثيلات الهولوغرام المعممة تمثل نموذجًا واعدًا يأخذ الحوسبة عالية الأبعاد إلى آفاق جديدة، ما يعزز بلا شك قدرات الذكاء الاصطناعي في معالجة البيانات المعقدة.