في عالم الذكاء الاصطناعي، لطالما كانت الشبكات العصبية موضوع دراسة وتطوير متواصل. وقد اكتشف الباحثون ظاهرة جديدة تُعرف بأنه "الانحدار المتعدد" (Multiple Descent) في الشبكات العصبية طويلة وقصيرة الأجل (LSTM)، والتي تُعتبر محورية في معالجة البيانات وتسلسلها.

خلال دراسة عملية التعلم لنموذج LSTM، لاحظ العلماء تقلبات ملحوظة في الأداء، إذ يمر النموذج بدورات طويلة من الاتجاهات الصاعدة والهابطة بشكل متكرر بعد مرحلة التدريب الزائد. هذا السلوك العجيب استدعى اهتمام الباحثين، حيث أجروا تحليل استقرارية غير محدودة للنماذج لتفهم هذه الظاهرة بعمق.

النتائج أظهرت أن هذه الدورات في الأداء - المُقاسة من خلال وظيفة الخسارة في البيانات الاختبارية - ترتبط ارتباطًا وثيقًا بعملية الانتقال بين النظام والفوضى في النموذج. وبالتحديد، نجد أن خطوة التدريب الأمثل ترتبط دائمًا بالنقطة الحرجة بين هذين المرحلتين.

ومن الأهمية بمكان، أن النقطة المثلى للنموذج تحدث غالبًا أثناء الانتقال الأول من النظام إلى الفوضى، حيث يكون "عرض" حافة الفوضى في أوسع حالاته، ما يتيح للنموذج أفضل استكشاف لتكوينات الأوزان اللازمة للتعلم.

فهل يمكن أن تكون الفوضى هي السر وراء تحسين أداء الذكاء الاصطناعي؟ تعالوا نتناقش حول هذه الظاهرة المثيرة في التعليقات أدناه.