Onderzoekers hebben FM-Mamba ontwikkeld, een nieuw type State Space Model (SSM) dat specifiek is ontworpen voor het efficiënt verwerken van tweedimensionale gegevens zoals afbeeldingen zonder verlies van ruimtelijke samenhang.
In een recent wetenschappelijk rapport, ingediend op 17 november 2026, presenteren Shengyuan Hu, Yiyong Sun, Weihang Shan en Yongzhe Chang een nieuwe benadering voor het analyseren van 2D-kenmerken. Het model, genaamd FM-Mamba, probeert fundamentele beperkingen op te lossen die optreden bij bestaande Mamba-gebaseerde methoden wanneer deze worden toegepast op visuele data.
Problematiek bij huidige 2D-modellen
Volgens de publicatie op arxiv.org kampen huidige Mamba-gebaseerde systemen met twee hoofdzakelijke problemen bij het verwerken van afbeeldingen. Enerzijds worden kenismaps vaak platgeslagen tot eendimensionale sequenties. Om toch ruimtelijke informatie te behouden, moeten meerdere scans worden gefuseerd, wat de rekenkracht verhoogt en de natuurlijke ruimtelijke nabijheid van pixels doorbreekt.
Anderzijds zijn er methoden die direct op een 2D-grid recurseren. Deze maken echter vaak gebruik van een vaste factor voor de schaling van de recursie, die onafhankelijk is van de input. Hierdoor blijft de discrete stap ongebonden door de stabiliteitstheorie voor twee dimensies, wat kan leiden tot instabiliteit in de dataverwerking.
De werking van FM-Mamba
Het nieuwe FM-Mamba model is gebaseerd op het algemene Fornasini-Marchesini (FM) model. In tegenstelling tot eerdere versies evolueert de gekoppelde recursie in dit model langs beide ruimtelijke assen tegelijkertijd. Volgens de beschrijving in het zorgt deze cross-as koppeling voor een specifieke discrete diagonaal-predecessor term, aangeduid als $\tilde A_0$.
Een cruciaal onderdeel van FM-Mamba is het gebruik van twee onafhankelijke, input-afhankelijke stapgroottes ($\Delta_1$ en $\Delta_2$). Deze sturen de propagatie langs de twee assen aan, waardoor de coëfficiënten zich per positie en per richting kunnen aanpassen. Om de stabiliteit te waarborgen, maakt het model gebruik van een genormaliseerde ratio ($r_k$), die een gesloten stuksgewijze grens stelt aan de stapgroottes. Wanneer een configuratie buiten dit stabiele interval valt, worden de stappen geprojecteerd op deze grens. Dit mechanisme onderdrukt lokale amplificatie zonder dat er sprake is van globale demping.
Efficiëntie en implementatie
De uitvoering van de recursie gebeurt via een zogenaamde "dual-diagonal wavefront scan". Hierbij verzamelt elke update informatie van twee anti-diagonalen. Omdat de input via een enkele projectie in de huidige staat terechtkomt, is het niet langer nodig om de kenismap plat te slaan tijdens het trainen of de inferentie.
Het project is gecategoriseerd onder verschillende vakgebieden, waaronder systemen en controle, kunstmatige intelligentie en computer vision. De auteurs hebben aangegeven dat de code voor het model beschikbaar is gesteld via een externe URL, zoals vermeld in de .
Hoewel er pogingen zijn gedaan om aanvullende informatie te raadplegen via andere platforms, zoals mamba.ru, bleken deze bronnen op het moment van rapporteren niet toegankelijk. De technische details van het model blijven daarom primair gebaseerd op de officiële indiening bij de .
Door de integratie van stabiliteitsbewuste discretisatie en een native 2D-structuur, biedt FM-Mamba een alternatief voor de computationele zwaarte van traditionele 1D-sequentiële scans in beeldverwerking. De focus ligt hierbij op het behoud van ruimtelijke integriteit terwijl de efficiëntie van State Space Models behouden blijft.