تعتبر نماذج الحالة (State Space Models) التي تعتمد عليها تقنيات الذكاء الاصطناعي من أسس الثورة الرقمية الراهنة. وفي هذا السياق، يُعد نموذج رؤية Mamba من بين النماذج الرائدة، حيث يعتمد في تفكيكه على تقنية الانتظار من الدرجة صفر (Zero Order Hold - ZOH)، والتي تفترض أن الإشارات المدخلة تظل ثابتة بين نقاط أخذ العينات. غير أن هذه الافتراضات قد تؤدي إلى تدهور دقة الترتيب الزمني في بيئات بصرية ديناميكية وتحد من دقة النماذج الحديثة.

في دراسة حديثة منشورة، أجرى الباحثون مقارنة منهجية محكومة بين ستة استراتيجيات تفكيك مختلفة ضمن إطار نموذج رؤية Mamba، وهي: الانتظار من الدرجة صفر (ZOH)، والانتظار من الدرجة الأولى (First-Order Hold - FOH)، وتحويل تاشتين (Bilinear/Tustin Transform - BIL)، والتداخل متعدد الحدود (Polynomial Interpolation - POL)، والانتظار من الدرجة العليا (Higher-Order Hold - HOH)، وطريقة رانجي-كوتا ذات الدرجة الرابعة (Runge-Kutta - RK4).

تُظهر النتائج أن كلًا من استراتيجيات POL وHOH قد حققت أكبر المكاسب في الدقة على حساب زيادة في الوقت اللازم للتدريب، في حين أن BIL قدم تحسينات مستقرة مقارنة بتقنية ZOH مع تكلفة إضافية معتدلة.

تُبرز هذه النتائج الدور الحيوي لاستراتيجيات التفكيك في هندسات النماذج المستندة إلى الحالة، مما يوفر مبررات مستندة إلى بيانات لاختيار BIL كقاعدة تفكيك رئيسية للنماذج المتطورة. قد تكون هذه الدراسة نقطة انطلاق لفهم أعمق حول كيفية تحسين دقة التكنولوجيا البصرية، لذا تابعوا معنا لمزيد من التطورات المستقبلية.