في عالم الذكاء الاصطناعي، لا تزال ظاهرة 'الجروك' (grokking) تستحوذ على اهتمام الباحثين، خاصةً بعد معرفة كيف يمكن لنموذج الشبكة العصبية أن يتعلم بيانات التدريب بسرعة، ليبدأ في تطبيق تلك المعرفة ببطء. يكشف بحث حديث عن آليات جديدة لفهم هذه الظاهرة المعقدة.

يعتمد هذا البحث على نظرية هندسية عشوائية (stochastic-geometric theory) لتحليل ديناميكيات شبكات العصبية. وأظهرت النتائج كيف يتم تشكيل بيئة من الحلول باستخدام تقنيات الأمثل مثل خوارزمية آدم (Adam optimization) مع تقنيات تنظيم الوزن (weight-shrinkage regularization). يوفر هذا التشكيل الطوبولوجي أساساً لفهم آلية 'الجروك'.

فكرة البحث تعكس أن الحلول تبدأ بالتجمع في قشرة دائرية رفيعة، محاطة بحلقة من الحلول التذكارية، التي تحتوي بدورها على مركز يمثل الحلول العالمية.

الخطوة التالية تعتمد على نظرية وقت التوقف (stopping-time theory) لتحليل شكل هذه الشكليات الطوبولوجية ووقت الانتقال بين الحلول. تم استخلاص قوانين جديدة تتعلق بالسرعة التعلم، حجم الدفعة، ومعامل التنظيم، مما تم التحقق منه تجريبيًا وأثبت توافقه مع نتائج سابقة.

هذا البحث ليس مجرد نظرية؛ بل ينطوي على تطبيقات عملية قد تحدث ثورة في طرق بناء وكفاءة نماذج التعلم العميق، مما سيؤثر بشكل كبير على مجالات متعددة تتعلق بالذكاء الاصطناعي.