تتزايد الاعتماد على نماذج اللغة الضخمة (LLMs) والشبكات الإدراكية عالية الأبعاد على تقنيات التعديل الفعال للمعلمات (PEFT) للتكيف مع بيئات العمل المتنوعة. ومع ذلك، فإن الأساليب التقليدية مثل LoRA تعاني من قيود هيكلية ترجع إلى اختناق أحادي، مما يجعلها عرضة لما يُعرف بحروب التدرجات.

تُظهر الأبحاث الأخيرة أن تدفقات المهام المتداخلة قد تتسبب في تغذية راجعة مدمرة، مما يؤدي إلى انهيار أوزان المحولات إلى متوسطات غير متخصصة. على الرغم من أن الأساليب الحديثة في تقسيم الفضاء قد قدمت عزل كتلي، إلا أنها لا تزال محصورة في توبولوجيات ثابتة، غير قادرة على التكيف مع تغيير المهام الديناميكي أو فشل مستشعرات البيئة.

في هذا العمل، نقدم نموذج Localized LoRA-MoE، وهو إطار موحد يدمج بين العزل المكاني المحلي والتوجيه الديناميكي المعتمد على السياق. نقوم بتقديم وتقييم منهجين معماريين جديدين:
1. **LoRA-MoE المحلي ذو الكتل (توجيه مركزي موسع)**، الذي يتحكم في الشبكة الهيكلية بأكملها عبر إشارة سياق أحادية.
2. **LoRA-MoE المحلي ذو الخلايا (توجيه موزع دقيق)**، الذي يتيح لكل خلية في شبكة المصفوفة تفعيل بوابة خبير محلية مستقلة.

عبر مجموعة شاملة من المعايير، بدءًا من محاكاة المصفوفات ذات البعد العالي والتحولات الجدولية في العالم الحقيقي وصولاً إلى إدراك الرؤية المكانية تحت تدهور المستشعرات، نثبت أن كلا الهيكلين يحلان نقاط انسداد التعديل الموجودة في القواعد الثابتة. تُظهر النتائج التجريبية لدينا أن التوجيه على مستوى الخلايا اللامركزية يحقق توازنًا إحصائيًا كاملاً مع منسق عالمي مسيطر، مما يوفر جدار حماية قويًا ضد الانهيار الناتج عن الأعطال.

أسلوبنا يُظهر تفوقًا مستمرًا على القواعد الثابتة، مقدماً حلاً قابلاً للتوسع وفعال من حيث المعلمات لتكييف النماذج الديناميكية عبر حقول الإحداثيات الدقيقة والأنظمة التشغيلية المتغيرة.