في عالم الذكاء الاصطناعي، يمثل اكتشاف الدوائر (Circuit Discovery) أحد التصميمات الأساسية لفهم كيفية عمل النماذج الذكية. تعكف بعض الأبحاث على تحديد الشبكات الفرعية البسيطة (subnetworks) المسؤولة عن سلوكيات معينة داخل نماذج اللغة الكبيرة (Large Language Models). ومع ذلك، الطريقة المنهجية السائدة كانت تعتمد بشكل كبير على تقليم الحواف (edge pruning) بشكل متكرر، وهذا يتطلب موارد كبيرة وقدرات حسابية عالية.

تقدم الدراسة الجديدة إطار عمل مبتكر يُعرف بتقنية "تقليم العقد (Node Pruning)"، التي تتميز بالقدرة على تحسين الاسكتشاف عبر تجاوز العقبات التقليدية المتعلقة بمستويات الدقة والقدرة على التوسع. يجمع هذا الإطار بين العديد من مستويات الدقة، بدءًا من الكتل الكبيرة وصولاً إلى الخلايا العصبية الفردية، في هدف تحسين موحد.

تساعد عقوبات "التناثر الخاصة بالدقة" في توجيه عملية التقليم، مما يتيح ضغطًا شاملاً للبيانات خلال عملية ضبط واحدة. الأداء التجريبي أظهر أن هذه الطريقة يمكن أن تحدد دوائر تحتوي على عدد أقل من العقد مقارنة بالأساليب السابقة، مع الحفاظ على أداء المهام. وقد أظهرت النتائج أن العديد من الخلايا العصبية التي اعتبرت مهمة وفق الطرق التقليدية هي في الواقع غير ذات صلة.

علاوة على ذلك، فان الطريقة الجديدة تتمتع بقدرة على توفير الذاكرة، حيث تحتاج إلى أقل من 5-10 مرات من الذاكرة مقارنة بالأساليب الأخرى، حيث لا تتطلب الاحتفاظ بالتنشيطات الوسيطة في الذاكرة أثناء العمل. تعد هذه الابتكارات بمثابة خطوة كبيرة نحو تحسين فهم وتطوير نماذج الذكاء الاصطناعي الفعالة.