في عالم الذكاء الاصطناعي، لا تقتصر النماذج المستخدمة على التجريب فقط، بل تعتمد أيضًا على أسس هندسية معقدة. مقالنا اليوم يستعرض مفهوم الجيوديسيك (Geodesics) والمسافات الاحتمالية في فضاء (Wasserstein Space) وكيف تؤثر على نماذج الانتشار (Diffusion Models).

تعتبر المسافة التربيعية (Quadratic Wasserstein distance) من العوامل الأساسية التي تُحدّد الهندسة الطبيعية لهذه الفضاءات، مما يجعلها فضاءً كاملاً يمكن دراسته على أنه مانيفولد (Manifold) ريمان البسيط. في هذا السياق، نجد أن تدفق الجادري (Gradient Flow) للحرارة الحرارية F(ρ) = KL(ρ || π) يتوافق تمامًا مع معادلة (Fokker-Planck).

فهم هذه العلاقة يعتبر محورًا رئيسيًا لفهم كيفية عمل نماذج مثل DDPM وDDIM وNCSN/SMLD. فكل خطوة في إزالة الضوضاء تُشبه خطوة ضمن مخطط JKO، مما يجعلنا نتجه برفق نحو أدنى طاقة حرة.

أيضًا، توضح المقالة أن الاتصالات بين نماذج الانتشار ونقل الأمثل يمكن أن تُفهم بشكل أفضل عندما نضع كلا النموذجين على مانيفولد واحد. تعتبر النماذج التي تتدفق وفقًا لمبدأ الطاقة الحرة مسائل قيمة أولية، بينما تسير نماذج (Flow Matching) على مسارات جيويديسية، مما يجعل من الممكن الوصول إلى نفس النقاط النهائية بطرق مختلفة. هذه الأفكار ليست مجرد نظرية بل تمثل ارتباطات قوية في عالم الذكاء الاصطناعي، مما يوفر لنا فهماً أعمق لكيف تعمل هذه النماذج وكيف يمكن استخدامها بشكل أكثر كفاءة.