في عالم الفيزياء، تتطور العديد من الأنظمة العشوائية بسلاسة عبر الزمن، مما يعني أن توزيع الحالات يتغير بانتظام مع مرور الوقت. هذا التحول من الحالة الحالية إلى الحالة اللاحقة يمكن تمثيله بطريقة مبتكرة تتضمن دمج خريطة سلسة مع مصدر عشوائي صريح.

تقنية الرفع العشوائي (Stochastic Lifting) تستفيد من هذه البنية من خلال ربط تصنيف عشوائي عالي الأبعاد بكل عملية انتقال في البيانات التدريبية، مما يتيح للنموذج تمثيل عدة حالات محتملة التالية من حالات مشابهة. هذا يضمن عدم انخفاض النتائج إلى مجرد توقعات متوسطة في إطار حجم العينة المحدود.

أثناء عملية الاستدلال، يتم أخذ عينات جديدة من التصنيفات في كل خطوة زمنية، ويتم تطبيق الخريطة المتعلمة بشكل تكراري، مما يسفر عن توليد مسارات متنوعة بكل عملية تقييم للشبكة في كل خطوة. وبالتالي نحن نشهد تطوراً جديداً في تصميم النماذج، التي تفتح أبوابًا لفرص جديدة في فهم الديناميات الفيزيائية المعقدة.