تعتبر مهمة تعلم نموذج عينة عصبي يعتمد على الانتشار (Diffusion) من أجل رسم عينات من توزيع مستهدف غير متجانس، من التحديات الكبيرة في مجال الذكاء الاصطناعي. إذ أن التدريب على هذه النماذج يصبح صعبًا جدًا عندما يتضمن التوزيع المستهدف عدة أوضاع متباينة تفصلها حواجز ملحوظة، مما يمكن أن يؤدي إلى تدهور الأوضاع (Mode Collapse).

للتغلب على هذه التحديات، تم اقتراح إطار عمل مبتكر يعرف باسم 'معاينة الانتشار القريب' (Proximal Diffusion Neural Sampler - PDNS). هذا النموذج يعالج مشكلة التحكم الأمثل العشوائي من خلال استخدام طريقة النقطة القريبة (Proximal Point Method) في فضاء قياسات المسارات، حيث يقوم PDNS بتقسيم عملية التعلم إلى سلسلة من المشكلات الفرعية البسيطة التي تشكل مسارًا يقترب تدريجيًا من التوزيع المطلوب.

يتميز هذا الإجراء المكون من مراحل بتعقب مسار مقوم باستمرار نحو التوزيع المطلوب، مما يعزز الاستكشاف الشامل بين الأوضاع المختلفة. ولتحقيق خطوات قريبة فعالة وفعّالة، تم تجسيد كل خطوة قريبة باستخدام هدف تداخل تقني موزون من خلال التقليل من تداخل الوزن (Weighted Denoising Cross-Entropy - WDCE).

لقد أظهرت التجارب الواسعة حول المهام المستمرة والمُنفصلة، بما في ذلك السيناريوهات المعقدة في الديناميكا الجزيئية والفيزياء الإحصائية، فعالية وصلابة نموذج PDNS.

للمزيد من التفاصيل، يمكنكم الاطلاع على الشفرة البرمجية المتاحة على GitHub.

أخبرونا برأيكم في هذا الابتكار! كيف ترون مستقبل نماذج العينات العصبية؟ شاركونا آراءكم في التعليقات!