أحدثت دراسة جديدة حول شبكات الأوسلورنات المعتمدة على الديناميكا الميكانيكية زلزالاً في مفاهيم الذكاء الاصطناعي، إذ تطرح تحديات جديدة تتعلق باستقرار الذاكرة والتعبير الديناميكي. تتعلق هذه الدراسة بثلاثية معقدة تشمل أفق الذاكرة، وثبات التدرج، والتعبير الديناميكي؛ حيث يتعذر تحقيق أقصى حد من جميعها في الوقت ذاته بسبب تأثرها جميعاً بمعدل التخميد.

النتيجة الرئيسية التي توصلت إليها هذه الأبحاث تشير إلى أنه كلما زاد الخمود، كلما فقدنا القدرة على تقديم تدرجات مفيدة. حيث يتقلص معدل شدة التدرجات المعكوسة بشكل يجعل من الصعب العودة إلى الماضي فيما يتعلق بالذاكرة، بينما تشير التقدمات المستقبلية إلى نمو أسي في أكبر عدد ليابونوف (Lyapunov Exponent)، مما يتطلب وجود مستوى معين من التخميد للحفاظ على استقرار التدرجات.

تم اختبار كل خطوة على شبكة من عشرين أوسلورن، حيث أكدت نتائج التجارب الافتراضات الرئيسية للنظرية. أظهرت المقارنة بين الركيزة المتعلمة والركيزة المجمدة أن المستويات المتعلمة كانت تتفوق في الفترات الزمنية القصيرة، إلا أن هذه الميزة بدأت تتقلص وتنعكس عند أفق من أحد عشر خطوة، مما يوضح عملية إغلاق الحقل. يكشف البحث أيضاً عن الفجوة بين التدرج القابل للاكتشاف والتدرج القابل للتعلم، مما يضيف بُعدًا جديدًا لكيفية تصميم الشبكات العصبية في المستقبل.

في فترة زمنية يتزايد فيها الاهتمام بتطوير الأنظمة الذكية القابلة للتعلم، تساهم هذه النتائج في تغيير طريقة تفكيرنا حول كيفية استغلال جميع جوانب الديناميكية في التعليم الآلي.