في السنوات الأخيرة، تزايد الاهتمام بشبكات Kolmogorov-Arnold (KANs) بفضل فعاليتها في مهام التعلم الآلي (Machine Learning) والحوسبة العلمية. تقدم هذه الشبكات نموذجًا جديدًا يغير من طريقة تصميم الشبكات العصبية.

في هذا السياق، تقدم دراسة جديدة تُعرف باسم SechKAN، وهي معمارية لشبكات KAN تعتمد على الدوال السيكاهيربولية (Hyperbolic Secant Functions). تتميز هذه الدوال بشكلها الجرسى الناعم، وردود فعلها المحلية، واستقرارها في التدرجات، مما يجعلها خيارًا مثاليًا لتطبيقات الذكاء الاصطناعي.

تستخدِم SechKAN تحولات خطية أحادية الأبعاد لتقليل عدد المعلمات، مما يسمح لها بالمقارنة مع الشبكات العصبية متعددة الطبقات (Multilayer Perceptrons - MLPs) من حيث حجم النموذج. وتظهر النتائج التجريبية قوة SechKAN في ملاءمة الوظائف، وحل المعادلات التفاضلية الجزئية (Partial Differential Equations - PDE)، وتصنيف الصور في مجموعات بيانات مرجعية، بما في ذلك MNIST وFashion-MNIST وCIFAR-10 وCIFAR-100.

وعلى الرغم من أن SechKAN تُظهر أداءً أفضل من MLPs وغيرها من متغيرات KAN، إلا أن زمن التشغيل الخاص بها، رغم أنه أفضل من بعض المتغيرات الأخرى، يظل قليلاً أطول من MLPs.

تأمل هذه الدراسة في إعادة تشكيل كيفية استخدام الذكاء الاصطناعي وأداة فعالة للمستقبل، مما يجعلها خطوة كبيرة نحو تحقيق المزيد من الابتكارات في هذا المجال.