تقدم مشغلات الأعصاب بدون تكرار ذاتي (AFNO) حلاً مبتكرًا وفعالًا لمعالجة المعادلات التفاضلية الجزئية (Partial Differential Equations) المتعلقة باختلاف الزمن. فعادةً ما تعتمد الأساليب التقليدية على تنبؤات طويلة المدى من خلال التكرار الذاتي (autoregressive rollout)، مما يؤدي إلى تراكم الأخطاء بشكل متزايد مع كل خطوة مستقبلية.

ومع ذلك، يأتي AFNO ليضع حدًا لهذه المشكلة من خلال تحويل تطور المعادلات التفاضلية إلى فضاء كامن (latent space) ويتمكن من نموذج مجالات الاتجاه الزمنية المستمرة داخل هذا الفضاء. هذا يعني أن النموذج لا يحتاج إلى الاعتماد على التكرار الذاتي، بل يتعلم كيف يتطور هذا الاتجاه بشكل مستمر، مما يوفر دقة أعلى وثباتًا في التنبؤ على المدى الطويل.

من خلال استخدام التقنيات الحديثة مثل مطابقة التدفق (flow matching) لتعلم مجالات الاتجاه الكامنة، يمكن لمشغلات الأعصاب الجديدة أن تتعامل بكفاءة مع التغييرات الديناميكية الناتجة عن تعديلات في المعلمات الفيزيائية. وقد أظهرت التحليلات النظرية والتجارب الواسعة على ستة معادلات تفاضلية أن AFNO يؤدي إلى تحسين دائم في استقرار التنبؤ على المدى الطويل وتقليل الأخطاء بشكل ملحوظ مقارنةً بالأساليب التقليدية.

ستشكل هذه التقنية ثورة في كيفية معالجة البيانات المعقدة وبشكل خاص في تطبيقات علوم البيانات والذكاء الاصطناعي، مما يعد بفتح آفاق جديدة للبحوث المستقبلية.