إن نجاح التعلم العميق يُعزى، بجزء كبير منه، إلى توفر مجموعات بيانات كبيرة ومُشَرَّحة. ولذا، فإن أحد العقبات الرئيسية في خطوط التعلم الحالية هو الوقت الطويل الذي تستغرقه عملية تسمية البيانات من قبل البشر. في السيناريوهات التي لا يمكن فيها جمع أزواج المدخل والمخرج، غالبًا ما يتم استخدام المحاكاة بدلاً منها، مما يؤدي إلى اختلاف بين البيانات المُصنعة والبيانات الحقيقية. يقدم هذا البحث بديلاً غير مشرف يعتمد على توفر دوال طاقة خاصة بالمهمة، مما يحل محل الخسارة المشرفة العامة. يُفترض أن هذه الدوال الطاقة تقود إلى التسمية المرغوبة كمُنَصِّف لها عند إعطاء المدخل. تدرب النهج المقترح، والذي يُطلق عليه "الطاقة العميقة" (Deep Energy)، شبكة عصبية عميقة (DNN) لتقريب هذا التنصيف لأي مدخل مختار. بمجرد التدريب، توفر حساب تغذية الأمام البسيط والسريع التسمية المستنتجة. يتيح هذا النهج لنا إجراء تدريب غير مشرف للشبكات العصبية العميقة باستخدام المدخلات الحقيقية فقط، دون الحاجة إلى التسميات اليدوية أو البيانات المصنعة صناعياً. يتم توضيح "الطاقة العميقة" في هذه الورقة البحثية من خلال ثلاثة مهام مختلفة - التقسيم البذري (seeded segmentation)، وفصل الصورة (image matting)، وإزالة الضباب من صورة واحدة (single image dehazing) - مما يكشف عن عموميتها وتعدد تطبيقاتها. تظهر تجاربنا أن الحل الذي توفره الشبكة غالبًا ما يكون أفضل بكثير من حيث الجودة من الحل الذي يتم الحصول عليه عبر تنصيف مباشر للدالة الطاقة، مما يشير إلى وجود خاصية تنظيم إضافية في نظامنا.