في عالم الذكاء الاصطناعي، يمتاز مُحسّن Muon بكفاءته العالية في تحديث القيم المصفوفية، لكن عند الحديث عن النماذج التلافيفية (Convolutions)، تصبح الجوانب النظرية معقدة بعض الشيء. يُخزن توزيعات النماذج التلافيفية كناتج رباعي الأبعاد، مما يتطلب معالجة متقدمة لفهم هذه الديناميكيات بشكل كامل.

تظهر الدراسات أن معظم التطبيقات تعتمد على إعادة تشكيل هذه النتوءات إلى مصفوفات، مما يؤدي إلى كسر التقنيات النظرية المرتبطة بـ Muon. في محاولة للتغلب على هذه المشكلة، تم تقديم تقنية جديدة تُعرف باسم Convolutional Newton-Schulz (Conv-NS). هذه التقنية الجديدة لا تقتصر على تحسين النتائج، بل تحافظ أيضًا على دعم النواة (Kernel Support) أثناء تحقيق الفعالية.

عند تنفيذ تجارب تدريب سريعة، تبيّن أن Conv-NS وMuon القائم على إعادة التشكيل يحققان كفاءة حسابية مشابهة، مما يوفر دقة قابلة للمقارنة في مهام تصنيف مثل CIFAR-10 وImageNet. ومع ذلك، أثارت الفروقات بين الأداء العملي والفهم النظري تساؤلاً حول ما إذا كانت عملية ضبط التوافقيات قد تؤدي إلى قيود زائدة في التحديثات.

هذه النتائج تبرز الأداء القوي لـ Muon في التطبيقات العملية وتفتح الأبواب لتطوير تقنيات جديدة في استخدام النماذج التلافيفية.