تسارع تقدم نماذج التعلم العميق بشكلٍ ملحوظ في السنوات الأخيرة، إلا أن التحديات المرتبطة بالإفراط في الضبط والتذكر في حالات التعلم النادر تظل قائمة. لكن هناك أمل جديد يظهر في شكل النماذج الخلوية العصبية (Neural Cellular Automata - NCAs)، التي تقدم بديلاً فعالاً لتجاوز هذه التحديات.

في دراسة حديثة، تم استكشاف ديناميات القنوات الخفية لنماذج NCAs بدقة أكبر، حيث تم تقديم آلية جديدة للتعلم الانتقالي تعتمد على استغلال حالات خفية تم تدريبها مسبقًا لتوجيه تحسين نموذج جديد. في التجارب التي أُجريت على بيانات MNIST، أظهرت النماذج الخلوية العصبية تفوقًا ملحوظًا على المعماريات التقليدية، حيث حققت أداءً مذهلاً مع عدد قليل من المعلمات (~ 9,800 معلمة فقط).

أظهرت التحليلات الميكانيكية أن القنوات الخفية تمكّن من فصل استخراج الميزات عن الإجماع الموحد في التصنيفات، مما يعزز القدرة على استيعاب التعقيد الشكلي والوصول إلى حالات متعامدة بشكل متبادل. والأكثر من ذلك، أن هذه القنوات لا تلتقط فقط الأنماط الخاصة بالفئات، بل تلتقط خصائص طوبولوجية عامة وغير متغيرة في الحجم. ما يعني أن النموذج الطلابي يمكنه تحقيق أداء قوي في التعلم النادر على فئات غير مرئية، مستفيدًا من الميزات المنتقلة من معلم تم تدريبه على مجموعة فرعية فقط من الأرقام (0-5).

تسلط نتائج هذه الدراسة الضوء على أهمية استخدام ديناميات القنوات الخفية كوسيلة حسابية لامركزية وفعّالة من حيث المعلمات في تعلم الانتقال، مما يفتح آفاقًا جديدة في مجال الذكاء الاصطناعي.