تشكل علاقة الاتصال بين الشبكات العصبية البيولوجية والاصطناعية محوراً مهماً في مجالي علوم الأعصاب وتعلم الآلة. غالباً ما تكون هناك فروقات بين الاتصال الهيكلي والوظيفي في هذه الشبكات، مما يدفع الباحثين للبحث عن طرق جديدة تتجاوز الربط المباشر فقط.

في دراسة حديثة، تم تقديم فكرة جديدة تقترح نمذجة الشبكات العصبية المتكررة (Recurrent Neural Networks - RNNs) كرسوم بيانية، مما يفتح آفاقاً جديدة لفهم كيفية مرور المعلومات عبر عمليات حسابية معقدة. تتجلى الفكرة في تحليل المسارات المتعددة بين وحدات الإدخال والإخراج، مما يساعد على فهم كيفية توجيه الشبكة للبيانات عبر الزمن.

أحد النتائج الرئيسية هو أن تقسيم هذه المسارات حسب طول الخطوة يُظهر كيف يتم نقل المعلومات زمنياً. هذا المنظور يعيد صياغة مفهوم التجريد (Regularisation): إذا كانت الوظيفة مهداة من خلال تواصل متعدد الخطوات، فإن العقوبات التقليدية مثل عقوبة L1، التي تؤدي فقط على الأوزان الفردية، تقيد الهيكل ذي الخطوة الواحدة بدلاً من المسارات المتعددة التي تدعم العمليات الحسابية.

استناداً إلى هذه الرؤية، تم تقديم نوع جديد من الشبكات العصبية المتكررة يعرف بالشبكات العصبية المتكررة القابلة للحل (Resolvent-RNNs - R-RNNs). هذه الشبكات تقلص المسارات المتعددة وتساعد في تحقيق تشتت زمني يتجاوز ما تحققه عقوبة L1 التقليدية. بالمقارنة مع عقوبة L1، تظهر R-RNNs أداءً محسّناً من خلال تحقيق تشتت زمني يتناسب مع هيكل المهمة، حتى عندما يكون إشارة المهمة ضعيفة.

علاوة على ذلك، تظهر R-RNNs توافقاً أوضح بين التشتت والوظيفة، مما ينعكس في متانتها المتزايدة تحت ظروف التجريد القوية. بشكل عام، عرّفت نتائج هذه الدراسة تواصل الخطوات المتعددة كمبدأ رئيسي يربط بين الهيكل والوظيفة في الشبكات المتكررة، واقترحت أنه ينبغي أن يُعرف التشتت على أساس المسارات الوظيفية بدلاً من المعلمات الفردية.