📄 معروضة نسخة «بسيط» — «مبسّط» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

أن تُبقي في ذهنك الموضع الدقيق لقلم يُحرَّك ببطء — مهمة عادية للدماغ. أما بالنسبة للشبكات العصبية الاصطناعية فهي شبه مستحيلة. الشبكات المتكررة العادية، مثل GRU وLSTM، تميل إلى تقسيم الحركة المستمرة إلى درجات صلبة: القلم لا يزحف بسلاسة، بل يقفز من نقطة إلى أخرى. تبدو الشبكة وكأنها لا تتذكر خطًا متصلًا، بل عدة لقطات منفصلة.

اقترحت مجموعة من الباحثين شبكة تعتمد على القسمة — الشبكة المتكررة بالتطبيع القسمي (Recurrent Divisive Normalization Network - RDNN). سرّها ليس في طرح الإشارات المثبطة، بل في قسمتها. عندما يكون أحد الخلايا العصبية نشطًا، فإنه لا يكتفي بكتم جاره، بل يقلّل خرجه بشكل تناسبي. هذا يشبه ضبط مستوى الصوت: إذا كانت الغرفة صاخبة، فإننا لا نطرح الضوضاء من الكلام، بل نقسم — نرفع صوتنا بالنسبة إلى الخلفية. هذه الآلية منتشرة على نطاق واسع في القشرة الدماغية، لكنها نادرًا ما تُستخدم في الشبكات الاصطناعية.

أظهر التحليل الرياضي أن القسمة تُنشئ في الشبكة متشعبًا بطيئًا (slow manifold) — مسارًا سلسًا يمكن لحالة الذاكرة أن تتغير عبره دون قفزات. عندما تُدرَّب الشبكة بطريقة الانتشار العكسي للخطأ (backpropagation)، تقوم القسمة تلقائيًا بقياس خطوات التعلّم: في المناطق شديدة النشاط، يتلاشى تحديث المعاملات. هذا يضغط الرتبة الفعّالة للشبكة — فتنضغط الديناميكا نفسها في مسار ضيّق منخفض الأبعاد، متجنبةً الإفراط في التعلّم والفوضى.

في تجارب على مهام الذاكرة العاملة، احتفظت RDNN بالإشارات المستمرة بدقة أكبر بعشرات المرات من الشبكات العادية. وعندما استُبدلت القسمة بالطرح، بدأت الشبكة فورًا في تفتيت الإشارة السلسة إلى درجات. يبدو أن البيولوجيا لم تختر هذه الآلية عبثًا — فقد تبيّن أن القسمة ضرورية رياضيًا لتخزين الكميات المستمرة في عالم متغيّر.