في عالم الذكاء الاصطناعي، تعتبر دوال التفعيل محورية في تحديد قدرة الشبكات العصبية العميقة على التمثيل والكفاءة من حيث عدد المعلمات. ولكن، لا تزال معظم دوال التفعيل المستخدمة على نطاق واسع تفتقر إلى الضمانات النظرية الصارمة المتعلقة بهذه الخصائص.

تعرف على DeepBern-Nets (DBNs) - الشبكات التي تستخدم دوال تفعيل متعددة الحدود (Bernstein polynomial) القابلة للتعلم. أظهرت دراسة نظرية أن خطأ التقريب لهذه الشبكات يتناقص بشكل أسرع بكثير من نماذج ReLU التقليدية، مع معدل يصل إلى Ω(n^{-L})، مما يعني أنها تحقق نتائج أفضل بشكل ملحوظ مع زيادة عمق الشبكة.

عبر إجراء 1,344 تجربة على مجموعات بيانات علمية كبيرة مثل HIGGS وSUSY، أثبتت DBNs قدرتها على تقليل عدد المعلمات بنسبة تزيد عن 70% في معظم الهياكل، لتصل النسبة إلى 99.9% في بعض الحالات. بالإضافة إلى ذلك، تمكنت هذه الشبكات من الوصول إلى خسارة نهائية مماثلة لخسارة نموذج ReLU في أقل من 26% من دورات التدريب، محققة انخفاضًا يصل إلى 45% في الخسارة النهائية.

كل هذه المزايا تؤكد أن الفوائد الناتجة عن DBNs تأتي من الهيكل متعدد الحدود القابل للتعلم، وليس فقط من نعومة الدالة. هذا الابتكار يدفع حدود الذكاء الاصطناعي إلى آفاق جديدة، مما يمثل خطوة هائلة نحو تحسين الأداء والكفاءة في الشبكات العصبية العميقة.