محققان در مقالهای جدید در arXiv، فرضیه قدیمی «لبه آشوب» (Edge of Chaos) در طراحی مخازن هوش مصنوعی را به چالش کشیدهاند. آنها نشان دادند که بهترین عملکرد در پیشبینی سیستمهای آشوبناک، لزوماً در «لبه آشوب» رخ نمیدهد.
این تیم با معرفی یک شاخص جدید به نام «انتقال پایداری-بیانگری» (Stability-Expressivity Transfer Index)، تعادلی میان پایداری مدل و توانایی آن در بازنمایی دادهها ایجاد کردهاند که دقت پیشبینی را در مدلهای مخزنی به طور قابل توجهی افزایش میدهد. این دستاورد میتواند راهگشای مدلهای دقیقتر برای تحلیل سیستمهای پیچیده باشد. 🧠✨
منبع: arXiv Machine Learning