في عالم الذكاء الاصطناعي، يعتبر تحسين المعايير الذاتية مثل تفضيلات البشر والجوانب الجمالية من التحديات الكبيرة. رغم أهمية ذلك، فإن الحسابات التطورية التفاعلية (Interactive Evolutionary Computation - IEC) تواجه قيودًا كبيرة تتمثل في صعوبة تعريف التقاطع بشكل متسق في تمثيلات عالية الأبعاد. ونتيجة لذلك، غالبًا ما تسود عمليات التحور على الأبحاث البحثية.

في هذا السياق، يسعى الباحثون إلى تقديم تقنية جديدة تعرف باسم "تقاطع الانتشار" (Diffusion Crossover)، والتي تعيد تعريف مفهوم التقاطع في نماذج الانتشار. تقوم هذه التقنية بتشكيل إعادة التركيب التطوري كعملية تجريبية تدريجية لتسلسلات الضوضاء ضمن العملية العكسية لنماذج Denoising Diffusion Probabilistic Models (DDPMs).

تستخدم هذه الطريقة الاستيفاء الخطي الكروي (Slerp) لتوليد الأبناء الذين يرثون خصائص من كل من الصور الأصلية، مع الحفاظ على البنية الهندسية لعملية الانتشار. كما أن التحكم في نطاق خطوات التسلسل يمكن الباحثين من تحقيق توازن مدروس بين التنوع (الاكتشاف) والتقارب (الاستغلال).

تشير نتائج التجارب التي تم تنفيذها باستخدام تحليل PCA ومقاييس التشابه الإدراكي (LPIPS) إلى أن التقاطع في نماذج الانتشار ينتج انتقالات سلسة وإدراكية متسقة بين الصور الأصلية. علاوة على ذلك، تؤكد التجارب التفاعلية مع الإنسان أن الطريقة المقترحة تدعم بشكل فعال استكشاف الصور. هذه النتائج تفتح آفاقًا جديدة: حيث تظهر نماذج الانتشار كأدوات توليد قوية، لكنها أيضاً فضاءات بحث تطوري منظمة يمكن فيها تعريف إعادة التركيب بشكل صريح ومراقب.