في عالم الذكاء الاصطناعي الحديث، يعتبر نموذج التدفق (Flow Matching) من أبرز النماذج المستخدمة في النماذج المجسدة. ومع ذلك، يواجه هذا النموذج تحديات تتعلق بعدم اليقين المتأصل الذي يؤثر على قراراته. فقد لوحظ أن هذه النماذج تُنتج شرائح فعلية مرفوضة عندما تسيء فهم المشهد أو تواجه مدخلات غير موجودة في توزيع البيانات (Out-of-Distribution).

لذا، يصبح من الضروري تحديد متى يمكن الوثوق بالإجراءات المولدة بواسطة نموذج التدفق. ومع ذلك، تعاني طرق تقدير عدم اليقين المستخدمة حالياً من العديد من المشكلات، مثل تكاليف التدريب الإضافية والعبء الحسابي العالي، بالإضافة إلى ضعف القدرة على التعميم.

كخطوة نحو حل هذه القضية، قمنا بطرح تفسير هندسي لعدم اليقين في نموذج التدفق، حيث يتجلى عدم اليقين في شكل انحراف عن مجال انكماش مثالي. بناءً على هذه الملاحظة، نقوم بتقديم أداة تسريع إزالة الضوضاء (denoising acceleration) كبديل تكاليفي وغير محدود لقياس انحناء مسار إزالة الضوضاء من خلال تمرير مباشر واحد، دون الحاجة لتقييمات إضافية للنموذج أو إعادة التدريب.

لقد أثبتت الدراسات النظرية والعملية أن هذه الأداة الجديدة توفر تمثيل دقيق لعدم اليقين في نموذج التدفق، كما تم اختبار فائدتها في اكتشاف الفشل عبر الإنترنت. النتائج أظهرت أن أداة تسريع إزالة الضوضاء قادرة على تحديد الإخفاقات قبل انتهاء تنفيذ المهام، متطابقة أو حتى تفوقت على النماذج التقليدية التي تعتمد على إعادة التدريب والكلفة العالية.

إذا كنت مهتمًا بالتفاصيل التقنية، يمكن العثور على الشيفرة والمثال العملي على الرابط المرفق.