في عالم الذكاء الاصطناعي، تلعب الذاكرة الطويلة (Long-Term Memory) دورًا حيويًا في تمكين الوكلاء الذكيين من العمل كمساعدين دائمين. إلا أن الحقائق التي يعرفها المستخدمون تتغير بمرور الوقت، مما يتطلب نظام ذاكرة فعال يمكنه التمييز بين ما هو حقيقي حاليا، وما كان حقيقيًا سابقًا، وما تغير.

في هذا السياق، تم تقديم نموذج ATMA كحل مبتكر للتغلب على مشكلة تُعرف بـ 'ذاكرة الأشباح' (Ghost Memory)، وهي فشل في تنسيق الحالة حيث تتواجد الحقائق القديمة والحالية والانتقالية معًا في البنك الذاكراتي، مما يؤدي إلى حدوث تداخل أثناء استرجاع المعلومات وبالتالي يؤثر سلبًا على دقة النموذج.

يهدف بحث جديد إلى تحليل أنظمة الذاكرة وتقديم تحسينات فورية من خلال التركيز على ثلاثة مستويات: صيانة البنك، الاسترجاع، ودقة إجابات الوقت. يعمل ATMA على الاحتفاظ بسجلات متجاوزة وسجلات انتقالية في البنك، ويبني حزم أدلة تتناسب مع حالة الطلب المطلوبة، مُعرضًا تسميات حالية وتاريخية وانتقالية للاستفسارات.

علاوة على ذلك، يُشدد البحث على أهمية تقييم الأخطاء في مستويات البنك والاسترجاع والإجابة بشكل مفصول، إذ أن دقة QA النهائية قد تُخفي أين تحدث ذاكرة الأشباح. ولتسهيل قياس هذه الأخطاء، تم بناء LTP (LoCoMo Temporal Plus)، وهو معيار قائم على الصراعات لقياس تأثير ذاكرة الأشباح، وأظهرت النتائج أن نموذج Graphiti مع ATMA حسّن دقة الإجراءات بنسبة 0.240 بالمقارنة مع Graphiti. بالإضافة إلى ذلك، تم تحسين F1 الزمني من 0.0295 إلى 0.1705 على نموذج LoCoMo، مشيرًا إلى أن الدوران الواضح للحالات يمكن أن يقلل من أخطاء الذاكرة التي تُخفيها دقة QA النهائية.