في خطوة جريئة نحو فهم عميق لقدرات الشبكات العصبية، تتناول دراسة حديثة مسألة مهمة: هل يمكن لهذه الشبكات أن تتعلم قواعد الجبر العددي (Modular Arithmetic) بدلاً من مجرد حفظ الأنماط التدريبية؟ للاجابة على هذا السؤال، استخدم الباحثون أرقام (MNIST) كمثال للولايات، والعمليات الجبرية كأفعال في نموذج عالمي على نمط (JEPA).

رغم أن النماذج التقليدية والإضافات الافتراضية في نموذج (JEPA) نجحت في فهم العمليات المعروفة، إلا أنها واجهت صعوبة في التنبؤ بالعمليات غير المعروفة. لكن العلماء لم يتوقفوا عند هذا الحد. قدموا نظام توقع يدعى (block-rotation predictor) الذي يدعم بنية الدائرة للعمليات العدديّة في الفضاء الكامن. ومن خلال هذا، استطاع النموذج أن يحقق أداءً مدهشاً بنسبة 99.46% في الدقة دون الحاجة لرؤية البيانات الجديدة.

تشير النتائج إلى أن النماذج الكامنة يمكنها استيعاب قواعد التحويل الرمزية عندما تتناسب الهيكلية مع مشكلة التعلم المطروحة. هذا التقدم يحمل دلالات واعدة لمستقبل الذكاء الاصطناعي وعلاقته بالرياضيات. للمزيد من التفاصيل، يمكن الوصول إلى الشيفرة المصدرية [هنا].