في عالم الذكاء الاصطناعي (AI)، تعد قدرة فهم البنى المعقدة والنماذج أمراً أساسياً. ومع ذلك، كانت التحديات في تصميم بنى قابلة للتفسير تمثل عقبة أمام الباحثين. وقد أطلق مؤخرًا بحث مبتكر يناقش تطوير تصميم رسومي يمكّن من فهم بنى الذكاء الاصطناعي بطريقة أسهل وأكثر وضوحًا.

توصل الباحثون إلى أن أغلب التمثيلات الرائجة في هذا المجال تعاني من قصور، حيث لا توفر المعادلات الرمزية نظرة شاملة عن التركيبة المعمارية، بينما لا تعكس النماذج البيانية Probabilistic graphical models والمخططات السلوكية تجليات التنسورات، مما يعيق الوصول إلى insights مهمة ويحد من القدرة على الاستنساخ.

لذلك، يقوم البحث الجديد بتقديم تمثيل رسومي مستوحى من تدوين Penrose للتنسورات، وهو ما يتيح تقديم عرض شامل للبنية المعمارية ويقوم بالربط بين هذه البنية وكود PyTorch einsum بشكل مباشر.

باستخدام هذه التدوين، تمت مناقشة مجموعة من البنى القابلة للتفسير، مثل مفاتيح المفاهيم (concept bottlenecks) والنماذج الجزئية (sparse probes) والشبكات النموذجية (prototype networks) والنماذج العدديّة المضافة (neural additive models) ومزيج من النماذج الخطية (mixtures of linear models).

علاوةً على ذلك، تم تقديم مخطط لمكون معماري رئيسي باستخدام Steerling-8B، نموذج لغة متقدم وقابل للتفسير. وهذا المخطط يعرض رؤى عالمية حول البنية، بالإضافة إلى تقديم تفسير هندسي لكل عملية فردية مع ترجمة مباشرة إلى 33 سطرًا من كود PyTorch.

تفتح هذه الأساليب الجديدة آفاقًا جديدة للبحث والتطوير في مجال الذكاء الاصطناعي، مما يسهل من فهم بنى النماذج المختلفة ويزيد من إمكانيات الاستفادة منها في التطبيقات العملية.