نموذج الفضاء الحالتي (State Space Model / SSM)

نموذج الفضاء الحالتي (SSM) هو فئة من معمارات معالجة التسلسلات المشتقة من نظرية التحكم التي تمثل تدفقات البيانات من خلال متجه حالة كامن يتم تحديثه بواسطة التكرار الخطي، مما يتيح معالجة فعالة للتسلسلات الطويلة جداً مع تعقيد دون تربيعي.

يصيغ نموذج الفضاء الحالتي نمذجة التسلسلات كنظام ديناميكي: يتطور متجه الحالة المخفية h(t) وفقاً لمعادلة تفاضلية أو فرقية خطية يدفعها المدخل x(t)، والمخرج y(t) هو إسقاط خطي لـ h(t). هذه الصيغة، القياسية في الهندسة التحكمية منذ الستينيات، تم تكييفها للتعلم العميق بتعيين مصفوفات مهيكلة مُتعلمة على التكرار، متجاوزة آلية الانتباه بالكامل.

جاء التقدم العملي مع S4 (Structured State Space for Sequences، Gu et al.، 2021)، والذي أظهر أن المعاملات القطرية بالإضافة إلى الرتبة المنخفضة لمصفوفة الحالة يسمح بحساب التكرار عبر التلافيفات السريعة أثناء التدريب — مطابقة التوازي مع Transformer — مع العودة إلى التكرار الخطي الرخيص للاستدلال الانحداري. قدمت Mamba (2023، Albert Gu و Tri Dao) فضاءات حالة انتقائية: بوابة معتمدة على المدخل لمعاملات SSM التي تعطي النموذج ذاكرة تتوعى المحتوى، مما يزيل قيداً رئيسياً في SSMs الخطية بحتة.

تأتي أهمية SSMs من أن الانتباه الذاتي للـ Transformer يتسع تربيعياً مع طول التسلسل، مما يجعل السياقات الطويلة مكلفة. يتسع نموذج الفضاء الحالتي خطياً من حيث الحساب والذاكرة، مما يجعله جذاباً للجينوميات (تسلسلات بملايين زوج القواعد)، ومعالجة المستندات الطويلة، وتدفقات المستشعرات المستمرة. المعمارات الهجينة مثل Jamba (AI21 Labs، 2024) و Zamba تفاعل طبقات SSM والانتباه لالتقاط نقاط القوة في كليهما.

اعتباراً من 2026، انتقلت SSMs من فضوليات البحث إلى مكونات جاهزة للإنتاج. وحدت Mamba-2 (2024) SSMs مع الانتباه الخطي تحت إطار عمل الضرب المصفوفي المهيكل وأظهرت تعقيداً تنافسياً مع Transformers بحجم معاملات متعدد المليارات. توجد طبقات الفضاء الحالتي في Hugging Face Transformers وتجري دمجها في نماذج متعددة الأنماط والصوتية، لكن Transformers تبقى مهيمنة للنماذج اللغوية الكبيرة في أكبر الحجم.