تعتبر عملية تكوين الذاكرة أساسًا للذكاء، لكن تبقى التساؤلات قائمة حول ما إذا كانت الشبكات العصبية العميقة تستطيع الحفاظ على آثار ذاكرة ملحوظة مثل تلك الموجودة في النظام البيولوجي. في دراسة جديدة، تم تقديم إطار هندسي مبتكر لتحديد ما يعرف بـ "آثار الذاكرة الاصطناعية" (AI engrams) عن طريق صياغة مجموعة من المعايير العصبية مثل الدقة، وإعادة النشاط، والقدر الكافي، والضرورة في مشكلة عكسية مقيدة.

تم تطوير مُقدّر مغلق يُمكّننا من عزل آثار الذاكرة الفردية من معلمات مرتبطة بشكل عالمي. تشير الأدلة إلى أن هذا الحل المستند إلى البيولوجيا يتوافق مع تحديثات طبيعية على صف المعلمات. يسمح استخدام آثار الذاكرة الاصطناعية بمرونة في التعامل مع المعرفة المتعلمة: حيث يمكن تجميع أو محو أي مجموعة من الذكريات من خلال العمليات الحسابية الخطية دون الحاجة إلى تحسين تكراري.

تشمل التجارب التي أُجريت على مجموعة متنوعة من النماذج، بدءًا من الشبكات العصبية البسيطة (MLPs) وصولًا إلى نماذج اللغات الضخمة (LLMs)، دليلاً على صحة سببية وآفاق توسيع كبيرة لآثار الذاكرة الاصطناعية.

تساعد هذه النتائج في جسر الفجوة بين نظريات الذاكرة البيولوجية وتعلم التمثيلات الاصطناعية، وتقدم رؤى هندسية حول كيفية دعم الشبكات العميقة لخاصية وظيفية ضمن تخزين موزع للمعلومات.