في عصر الذكاء الاصطناعي، يتقدم البحث العلمي بشكل متسارع، خصوصًا في مجال الشبكات العصبية وتطبيقاتها. قدم فريق من الباحثين نظرية جديدة تركز على المعادلات التفاضلية الرسومية (Graph Neural Differential Equations - GNDEs) التي يمكنها نمذجة الديناميات الزمنية للرسوم البيانية بطريقة مبتكرة.

تُظهر الأبحاث أن هذه المعادلات تستخدم شبكات عصبية رسومية لتحديد مجالات السرعة في رسم بياني مستمر الزمن. الأمر المدهش هو ما يسمى بمبدأ نقل الأحجام بدون تدريب (zero-shot size transfer)، حيث يمكن تدريب نموذج على رسم بياني صغير ثم تطبيقه على رسوم بيانية أكبر وبنفس الدقة دون الحاجة لإعادة التدريب.

لاقت هذه النظرية دعمًا من خلال دراسات متعددة، حيث وجد الباحثون أن النتائج يمكن أن تحقق ثباتًا عابرًا للزمن لأداء النماذج في أنظمة المعادلات الخطية.

كما تم تحليل الطريقتين الشائعتين في التدريب، وهما "التقدير ثم التحسين" (discretize-then-optimize - DTO) و "التحسين ثم التقدير" (optimize-then-discretize - OTD)، وثبت أن كلتا الطريقتين تكملان بعضهما بنجاح.

في التجارب، أظهرت النتائج المستندة إلى مجموعة بيانات HSBM ودراسات أخرى على رسوم بيانية ذات صلات بأنماط متعددة، أن النماذج المستندة إلى GNDEs قادرة على تقديم نتائج دقيقة حتى في الرسوم البيانية الأكبر، مما يعزز الإمكانية الثورية لمبدأ نقل الأحجام بدون الحاجة إلى التدريب الإضافي.