لماذا تفشل النماذج التقليدية في التعلم من الأنظمة الخلوية؟ اكتشف الجواب المثير!

تعتبر النماذج العالمية التقليدية (Conventional World Models) من أبرز أدوات الذكاء الاصطناعي المستخدمة في دراسة الديناميات العالمية. ولكن، هل يمكن لهذه النماذج التعلم من التاريخ المرصود للديناميات بدقة فائقة؟ تفيد الأبحاث الحديثة التي تم نشرها على منصة arXiv بأن الجواب غالباً ما يكون «لا».

تستند النتائج إلى تجربة مثيرة مع الأنظمة الخلوية (Cellular Automata)، حيث أظهرت النماذج التقليدية مثل نماذج الارتباط الذاتي (Auto-regressive Models) أو نماذج التشتت (Diffusion Models) أنها قادرة على توقع 96.3% من الخلايا، لكن مستوى النجاح في استكمال السيناريوهات وصل إلى 18.9% فقط. بالإضافة إلى ذلك، عجز نموذج التشتت المشترك عن إتمام أي إطلاق.

تم تحديد ثلاث عوامل رئيسية تؤدي إلى هذا الفشل:
1. فشل في التقاط المحلية المكانية (Spatial Locality).
2. فشل في التقاط المحلية الزمنية (Temporal Locality).
3. فشل في استقرار الزمن (Temporal Stability).

ومع ذلك، يمكن تحقيق تحسينات رائعة من خلال تعديل بسيط في كيفية تدفق المعلومات داخل هذه النماذج. على سبيل المثال:
- استخدام مواضع دوارة ثنائية الأبعاد لتحسين المحلية المكانية، مما يرفع دقة النموذج من 39.1% إلى 100% في لعبة حياة جون كونواي (Game of Life).
- توفير حي الخلايا السابقة لكل خلية يرفع المستوى من 25.8% إلى 99.9% في قواعد غير مرئية.
- ولمعالجة استقرار الزمن، قد يساعد التجميد السببي في رفع الكفاءة من 42.2% إلى 99.9%.

ابقوا على علم بأحدث التطورات في عالم الذكاء الاصطناعي، فما رأيكم في هذه النتائج المثيرة؟ شاركونا في تعليقاتكم!