تعتبر شبكات كولموغوروف-أرنولد (Kolmogorov-Arnold Networks - KANs) من الإنجازات المبتكرة في عالم الذكاء الاصطناعي، حيث تمثل بديلاً واعداً عن الشبكات التقليدية متعددة الطبقات (Multilayer Perceptrons) عبر استبدال الأوزان الخطية بوظائف أحادية قابلة للتعلم. ورغم المزايا النظرية لهذه الشبكات من حيث القدرة على التفسير والتعبير، إلا أن البحث العملي حولها يواجه تحديات بسبب التكاليف الحاسوبية المرتفعة وعدم توافر الدعم المتوازن للميزات عبر الإطارات المتاحة.

تقدم KANLib، إطار عمل جديد وفعال، يمكّن من تطوير وتقييم بنى KAN بشكل مرن وقابل للتوسع. يجمع هذا الإطار بين المفاهيم الأساسية من إصدارات سابقة مثل PyKAN وEfficientKAN وFastKAN، ضمن بنية برمجية موحدة تركز على المرونة والأداء العالي.

يدعم KANLib نوعين من الدوال الأساسية، وإعادة موازنة شبكة التكيف، بالإضافة إلى توسيع الشبكة وتخصيص البنى بشكل دقيق، مع المحافظة على التوافق مع سير عمل PyTorch الشائع. أظهرت التجارب التي أجريت على معيار كاليفورنيا للإسكان أن KANLib يعيد إنتاج سلوك التنبؤ للنسخ المرجعية المعترف بها من KAN، في حين يحقق كفاءة حاسوبية تنافسية.

علاوة على ذلك، يسمح هذا الإطار باستكشاف متغيرات معمارية تتجاوز الصيغ القياسية لشبكات KAN، مع تأثيرات طفيفة على الأداء التنبؤي. بشكل عام، يوفر KANLib قاعدة متينة للبحث المستقبلي في مجالات بنى KAN القابلة للتوسع والتطوير.