في عالم العلوم والهندسة، تمثل إعادة بناء الأنظمة الديناميكية غير الخطية (Dynamical Systems) من البيانات تحدياً جوهرياً. لقد اعتمدت هذه العمليات تقليدياً على نماذج تسلسلية، لكن ابتكارات حديثة جعلت من الممكن تسريع العمليات الحسابية عبر تسلسل البيانات. حيث تم تطوير خوارزميات جديدة تُستخدم فيها تقنيات الحوسبة المتوازية، وهو ما يحقق تعقيد زمني لوغاريتمي، مما يعيد تعريف طرق إعادة بناء الأنظمة.

تتناول هذه الدراسة فئتين بارزتين من خوارزميات التدريب المتوازي في الزمن، واللتين تستفيدان من عمليات المسح المتوازي (Parallel Associative Scans) كعنصر حسابي أساسي. الفئة الأولى تشمل النماذج ذات الديناميكيات الخطية ولكن غير الذاتية، مثل نماذج الفضاء الحديثة (State Space Models)، أما الثانية فتتعلق بالنماذج غير الخطية العامة التي يمكن تسريعها باستخدام إطار عمل DEER.

تتضمن النتائج اكتشاف أن تكرار وقت التدريب في الفئة الأولى من النماذج يواجه قيوداً تؤثر سلباً على قدرة النموذج على تعلم ديناميكيات غير خطية بدقة. لذا، تم تعزيز إطار DEER باستخدام تقنية جديدة تُعرف بالتعليم الموجه العام (Generalized Teacher Forcing - GTF)، والتي تضمن تعلم ديناميكيات غير خطية مستقرة وفعّالة عبر تسلسلات بيانات طويلة للغاية.

تظهر التجارب أن التدريب على تسلسلات تزيد عن عشرة آلاف خطوة يُحسن بشكل كبير من عملية إعادة بناء الأنظمة الديناميكية، خاصة عندما تتضمن البيانات ميزات ذات زمن طويل. تمثل هذه النتائج مثالاً واضحاً على الإمكانيات الكبرى لتعلم التسلسلات الطويلة في نمذجة الأنظمة المعقدة، مما يفتح أفقاً جديداً للبحث والاكتشاف المدفوع بالبيانات.