في عالم الذكاء الاصطناعي، تمثل تدفقات الذكاء الاصطناعي (Rectified Flow) خطوة تطورية مهمة، حيث تعتمد هذه التقنية على إنتاج توصيلات ذات مسارات مستقيمة أو قريبة من الاستقامة. لكن، في العديد من الحالات، تتعرج وتتصادم هذه المسارات المنبثقة عن نماذج التدفق الأساسية، مما يسبب تشويشًا في النتائج. تكمن المشكلة في أن هذا التشويش غالبًا ما يكون مرتبطًا بمناطق ذات انحراف غير صفري في حقل السرعة المتعلم، حيث تعرقل التوسعات أو الانكماشات المحلية المسارات وتوجه الجسيمات بعيدًا عن النقاط النهائية المثالية.

تشير الأبحاث الأخيرة إلى ابتكار توصيلات مثبطة للتباعد، والتي تستهدف تحسين أساليب تدفق الذكاء الاصطناعي. تعتمد هذه الطريقة على تصحيح غير متصل يقلل من المكونات المتباعدة في السرعة المتعلمة أثناء عملية توليد التوصيلات.

المثير في الأمر هو أن هذه التصحيحات تتم فقط مرة واحدة لكل زوج من التوصيلات، ويتم استهلاك تكلفتها خلال مرحلة التدريب، مما يعني أن عمليات النشر تعمل بشكل مباشر بتكلفة زمنية متطابقة مع تدفقات الذكاء الاصطناعي القياسية.

تظهر النتائج التجريبية لهذا التعديل غير المتصل تحسنات ملحوظة على معايير صناعية ثنائية الأبعاد (2D) وعلى توليد الصور، مما يفتح آفاق جديدة لتحسين النماذج وتقديم أداء أكثر دقة وكفاءة.