Yapay zeka ve nörobilim alanlarında çığır açacak yeni bir araştırma, rastgele bağlantılı sinir ağlarındaki karmaşık dinamiklerin tahmin edilebilir olduğunu ortaya koydu. Bilim insanları, görünürde kaotik olan bu sistemlerin altında yatan deterministik yapıyı matematiksel olarak açıkladı.
Dinamik ortalama alan teorisi adı verilen yöntem kullanılarak gerçekleştirilen çalışmada, araştırmacılar rastgele tekrarlayan ağlardaki deterministik kaosu etkili bir stokastik süreç olarak yeniden tanımladı. Özellikle yeterince hızlı Fourier azalımı gösteren analitik doğrusalsızlıklar için, bu rastgeleliliğin sadece görünürde olduğu kanıtlandı.
Araştırmanın en önemli bulgusu, gerçekleşen ortalama alan yörüngesinin sürekli geçmişinin, geleceğini benzersiz şekilde belirlediğinin gösterilmesi oldu. Bu da ortalama alan teorisinin sadece bir topluluk açıklaması değil, bireysel yörüngeler için koşullu bir tahmin teorisi olduğu anlamına geliyor.
Güç spektrumunun Krylov durum uzayına açılması, bu gizli determinizmin sonsuz bir zamansal mod hiyerarşisi boyunca nasıl organize olduğunu ortaya çıkardı. Bununla ilişkili Krylov büyüme oranı, sonlu çözünürlüklü tahminlerin karmaşıklığını belirliyor ve bu ağ sınıfındaki en büyük Lyapunov üssünün üst sınırını oluşturuyor.
Bu keşif, mikroskobik duyarlılık ve tahmin karmaşıklığının ortalama alan kaosunun farklı yönleri olduğunu gösteriyor ve makine öğrenmesi ile nöroloji alanlarında yeni ufuklar açıyor.