في عالم الذكاء الاصطناعي، تعد نماذج توليد التدفقات (Flow Matching Models) من أبرز الاتجاهات في عملية التركيب عالي الدقة. لكنها، ومع ذلك، تواجه تحديات كبيرة بسبب اعتمادهما على حل المعادلات التفاضلية العادية (Ordinary Differential Equations) والتي تسبب تأخيراً كبيراً في الأداء.

تظهر الحلول الحالية وجود فجوة واضحة: فبينما تعاني الحلول التقليدية التي لا تعتمد على التدريب من تدهور كبير في الأداء عند استخدام عدد منخفض من تقييمات الدوال العصبية (Neural Function Evaluations)، تتطلب الحلول المعتمدة على التدريب تكاليف مرتفعة وصعبة التكييف.

لجسر هذه الفجوة، تم تقديم حل BA-solver الثوري. يتمتع BA-solver بنقاط القوة الخاصة بالحلول الكلاسيكية غير المعتمدة على التدريب، مع تحقيق تسريع كبير بفضل إدخال شبكة جانبية خفيفة الوزن (SideNet) لا تتجاوز 1-2% من حجم الشبكة الأساسية.

يعتمد BA-solver على مكونين متضافرين:
1) الإدراك الزمني ثنائي الاتجاه (Bidirectional Temporal Perception) الذي يساعد شبكة SideNet في تعلم تقدير سرعات المستقبل والماضي دون الحاجة لإعادة تدريب الشبكة الأساسية الثقيلة.
2) دمج سرعات ثنائية المرجع (Bi-Anchor Velocity Integration) الذي يستفيد من شبكة SideNet مع سرعتين مرجعيتين لتقدير السرعات المتوسطة بكفاءة لعمليات التكامل ذات النظام العالي.

من خلال استخدام الشبكة الأساسية لتحديد "المراسي" عالية الدقة واستخدام شبكة SideNet لزيادة كثافة المسار، يحقق BA-solver إمكانية استخدام فواصل زمنية كبيرة مع الحد الأدنى من الأخطاء. وقد أظهرت النتائج التجريبية على مجموعة بيانات ImageNet-256^2 أن BA-solver يصل إلى جودة توليد مشابهة لما تحققه الحلول التقليدية التي تتطلب أكثر من 100 تقييم لدوال عصبية في مجرد 10 تقييمات، مع الحفاظ على دقة عالية حتى مع 5 تقييمات فقط، مما يسبب تكاليف تدريب بالكاد تُذكر.

وبالإضافة إلى ذلك، يضمن BA-solver تكاملاً سلساً مع أنظمة التوليد الحالية، مما يسهل المهام اللاحقة مثل تعديل الصور. مع هذا الابتكار، يظهر BA-solver كمفتاح لتعزيز الممارسات الحالية في نمذجة الذكاء الاصطناعي، حيث يمهد الطريق نحو عوالم جديدة من الإمكانيات.