في عالم الذكاء الاصطناعي، يُعتبر نموذج Transformer أحد أهم الابتكارات التي غيرت صياغة معالجة اللغات. لكن ما الغموض الذي يحيط بأصله؟ في دراسة جديدة تُبّين كيف أن المكونات الأساسية لنموذج Transformer مثل

**الانتباه (Attention)**،

**الاتصالات المتبقية (Residual Connections)**،

و **التطبيع (Normalization)** تتشكل بشكل طبيعي من مشكلة تقدير هندسي واحد. يُظهر البحث أن هذه العناصر ليست مجرد اختيارات تصميمية مستقلة، بل هي ناتجة عن نمذجة الحالة الضمنية بصورة تحمل Polar، حيث يتم تحديد الاتجاه داخل مبدأ كرة الفضاء (Hypersphere) وتُفكك الشكوك إلى مكونات شعاعية وقاطعة.

المعالجة الدقيقة توصل إلى إجراء تصفية معتمد على الدقة، حيث تُفرض قيود انجما على الهيكل الكروي، ويجمع الانتباه الأدلة الاتجاهية، بينما تُنفذ الاتصالات المتبقية تحديثات الحالة بشكل تراكمي. من خلال استخدام تقريب من الدرجة الأولى، يتقلص هذا التقدير ليصبح نموذج Transformer التقليدي مع ترميز موضعي دوار (Rotary Positional Encodings). ما يبرز هو أن هيكل هذا النموذج ينبع من مشكلة التقدير الأصلية، مما يقدم انفتاحاً جديداً لتصميم أدوات التعلم الآلي في المستقبل.

بالإضافة إلى ذلك، احتفاظ التعديلات الهندسية من الدرجة العليا يقود إلى تطوير نموذج Polar Transformer الذي يُمثل بصورة أدق عملية تقدير الحالة الشعاعية والقاطعة، مما يمهد الطريق للأبحاث المتقدمة في الذكاء الاصطناعي.