في عالم الذكاء الاصطناعي، تبرز نماذج الانتشار التوليدية (Generative Diffusion Models) كفئة قوية من الأساليب التوليدية، وقد حققت نجاحات ملحوظة في تطبيقات متنوعة. ورغم نجاحها التجريبي، لا يزال أساسها الرياضي غير مفهوم بشكل كامل، خصوصًا فيما يتعلق باستقرار وتناسق المعادلات العشوائية والمعادلات التفاضلية الجزئية (PDE) التي تقوم عليها ديناميكياتها.

تتناول هذه الدراسة الجديدة إطار المعادلات التفاضلية الجزئية الخاص بعمليات الانتشار المعتمدة على تصنيف الدرجات المرتبطة بتدفق الحرارة لمقياس بيانات مدعوم بإحكام. بعد تأكيد استقرار الحلول في فترات زمنية إيجابية، تم تطوير حد انحراف ضيق للدرجات، مما سمح باشتقاق تقديرات استقرار متجانسة قوية لمعادلة فوكير-بلانك التوليدية. يمثل هذا الحد الشكل الإقليدي لعدم المساواة التفاضلية لLi-Yau.

توضح النتائج المستخلصة استخدام طرق استقرار الانتروبيا لإثبات أن القوانين المولدة تتقارب في المسافة اللولبية-2 (2-Wasserstein distance) بمعدل يتناسب مع  √t عندما تقترب t من الصفر، مع دعمها على مقياس البيانات. هذا التوجه يعد بالغ الأهمية لكلٍ من التوليد الحتمي والعشوائي، إذ تعود كثافات نهائية إلى بيانات ذات انتروبيا مطلقة.

في حالة التوليد الحتمي، تتقارب تقريبًا كل مسار إلى نقطة ضمن دعم البيانات. بالنسبة للبيانات التجريبية، تم الحصول على معدل جذر مربع وفقًا للأداء الزمني. توضح هذه النتائج كيف تتركز ديناميات درجات النقاط بدقة على دعم البيانات دون الحاجة لاستعادة توزيع البيانات.

حالات معينة يمكن حلها تقنيًا تحدد الأوزان المحددة وتعتمد على التهيئة الغاوسية، بينما يقدم تقدير الانتروبيا النسبية مقياسًا لتأثير تقريب الدرجات. مجتمعة، هذه الاكتشافات تربط بين آليات الاستقرار والتركيز مع تعلم الدرجات والتوقف المبكر، مقدمةً منظورًا رياضيًا عن التوازن بين وفاء التقليد وتنوع التوليد.