Stanford ve diğer önde gelen üniversitelerden araştırmacılar, derin sinir ağlarının iç dinamiklerini anlamak için yeni bir matematiksel çerçeve geliştirdi. 'Collective Kernel Effective Field Theory' olarak adlandırılan bu yaklaşım, özellikle ResNet mimarisinin davranışlarını modellemek için tasarlandı.
Araştırma, sonlu genişlikteki derin sinir ağlarında empirical kernel'in (G) katmanlar boyunca nasıl stokastik olarak değiştiği sorununa odaklanıyor. Bilim insanları, bu karmaşık süreci anlamak için fizikten alınan effective field theory metodolojisini uyarladı.
Çalışmanın en önemli katkılarından biri, residual artışların tam koşullu Gaussian özelliğini kullanarak G için kesin bir stokastik recursion türetmesidir. Bu matematiksel altyapı sayesinde, ortalama kernel K₀, kernel kovaryansı V₄ ve 1/n ortalama düzeltmesi K₁ için sürekli derinlik ODE sistemleri elde edildi.
Numerik testler, ortalama kernel değerinin (K₀) tüm derinliklerde yüksek doğruluk gösterdiğini ortaya koydu. Ancak kernel kovaryans denklemi (V₄) sonlu zamanlarda O(1) mertebesinde hata birikimi yaşıyor. Bu durum, özellikle G-only transport terimindeki yaklaşım hatalarından kaynaklanıyor.
Bu teorik çerçeve, derin öğrenme modellerinin matematiksel temellerini güçlendirerek, gelecekteki AI sistemlerinin daha iyi anlaşılmasına katkı sağlayabilir.