في عالم يتزايد فيه الاعتماد على تقنيات الذكاء الاصطناعي، تظهر الحاجة إلى تحسين موثوقية السياسات التي تعتمد على الانتشار (Diffusion Policies) بشكل متزايد. تكمن المشكلة في أن النماذج الحالية تعاني من انحرافات زمنية (Temporal Drift) بسبب الأخطاء الناتجة عن التقطيع، مما يؤثر سلبًا على أدائها عند استخدامها في أنظمة حقيقية.

نقدم اليوم تطورًا ثوريًا من خلال تقديم معادلة كولموغوروف (Kolmogorov Equation) التي ترفع سياسات الانتشار إلى الفضاء كاميرون-مارتن (Cameron-Martin Space)، وهو مجموعة فرعية من الفضاء هيلبرت (Hilbert Space). تتضمن هذه الطريقة استبدال تقنية المطابقة العشوائية (Stochastic Score Matching) بمشكلة قيم حدودية تحدد سلوك النظام بشكل أكثر دقة.

يعتمد الابتكار الرئيسي على نظرية القياس الغاوسي (Gaussian Measure Theory)، حيث ينتج عامل التغاير الضوضائي للانتشار من توزيع ضوضائي ملون (Colored Noise Distribution) مما يضمن انتظامًا أعلى في العينات أثناء مرحلة الاستدلال (Inference).

قمنا بتدريب نموذج الانتشار باستخدام دالة خسارة كاميرون-مارتن المستندة إلى دقة نموذجية، وقد تم إدخال مقدار بقايا كولموغوروف كتشخيص ضمن معادلة تفاضلية أثناء عملية الاستدلال. وقد أظهرت النتائج المحققة:
1. ضمانات التقارب حيث تعتمد ثوابت الحدود على المستوى الفعلي للنواة بدلاً من أبعاد الإجراءات.
2. تحسين انتظام المسارات من خلال وزن طيفي.
3. كاشف فشل حتمي دون الحاجة إلى إشارات المكافأة.

أثبتت النتائج التجريبية عبر مجالات تطبيق مختلفة تحسنات ملحوظة، ففي معايير تجريبية مثل PushT، حققت الخسارة الناتجة عن كاميرون-مارتن تحسينًا بنسبة 17% في الحد الأقصى لمكافأة الحلقات، بالإضافة إلى تقليل الانحرافات بين الخطوات بنسبة 67.6% أثناء مرحلة الاستدلال.
وفي سياق خط إنتاج يتضمن 6 محطات مع تدفق عمل ثابت (CONWIP)، كانت النتائج أكثر من مثمرة حيث حققنا تقليلًا بنسبة 28.4% في قيمة RMSE مقارنة بالنماذج الكلاسيكية مثل LSTM.

في النهاية، نعمل على ضمان سياسات التوزيع باستخدام نظرية الوصول هاميلتون-جاكوبى (Hamilton-Jacobi Reachability Theory)، ما أدى إلى تقليل حالات التوقف الميت بنسبة 96% مقارنة بالتوزيع غير المنضبط عبر 100 عملية محاكاة.

**ما رأيكم في هذه التحسينات المدهشة في سياسات الانتشار؟ شاركونا في التعليقات!**