حتماً شنیدهاید که با افزایش پارامترها در مدلهای هوش مصنوعی، گاهی عملکرد مدل نه تنها بدتر نمیشود، بلکه ناگهان به طرز عجیبی جهش کرده و دقیقتر میشود (همان پدیده Double Descent).
حالا در یک پژوهش جدید و بسیار جذاب، محققان با استفاده از نظریه میدانهای دینامیکی (Dynamical Mean Field Theory)، دلیل علمی این اتفاق را کشف کردند! طبق این تحقیق، این جهش در واقع یک «گذار فاز» در طول فرآیند آموزش است که شباهت جالبی به انتقال ابررسانایی دارد.
به زبان ساده: این مقاله نشان میدهد که چطور «شکست ارگودیسیته» (Broken Ergodicity) به مدل کمک میکند تا فراتر از اورفیتینگ (Overfitting) رفته و در دنیای واقعی بهتر تعمیم پیدا کند. این یک قدم بزرگ دیگر برای درکِ عمیقتر از چراییِ هوشِ سیستمهای هوش مصنوعی است. 🧠✨
منبع: arXiv Machine Learning