في عصر تكنولوجيا الذكاء الاصطناعي، تقدم شبكات غير الأرضية (Non-Terrestrial Networks - NTN) إمكانية فريدة للاتصال الشامل للذكاء المدمج (Embodied Intelligence - EI). حيث تم تصميم هذه الشبكات لتساعد الروبوتات في البيئات المعزولة أو الوعرة للاستفادة من موارد السحابة أو للإبلاغ عن معلومات حيوية للمراكز البعيدة.

لكن تكمن التحديات في هذه التقنية، إذ أن بيئات العمل التي تستخدم فيها هذه الشبكات تكون ديناميكية، مليئة بالموارد المحدودة، ومتنوعة في تركيبها، مما يجعل التفاعل مع الشبكة غير بسيط. وفقاً للدراسات الحالية، فإن البروتوكولات الموجودة التي لا تعتمد على الذاكرة أصبحت غير فعالة، إذ تعتمد قراراتها على ظروف القناة المحلية والطلبات الفورية للخدمات.

للتغلب على هذه العقبات، تم اقتراح نموذج جديد يُعرف بذاكرة الشبكات غير الأرضية (Memory-native NTN - MemNTN)، يقوم بتطبيق سياقات بعيدة المدى لتحسين الأنظمة من خلال الذاكرة. يعتمد هذا النموذج على هيكل ذاكرة مزدوج يميز بين الذاكرة الفيزيائية التي تعكس حالة العالم والذاكرة الرقمية التي تخزن خبرات الشبكة السابقة.

يساهم تطوير آليات اكتساب، ضغط، تقييم، وتحديث الذاكرة في اتخاذ قرارات تعتمد على الذاكرة عبر جميع الطبقات، بدءًا من الطبقات الفيزيائية وصولاً إلى طبقات الشبكة والتطبيقات.

أظهرت التجارب في مجال إجابة الروبوتات عن الأسئلة الموجهة عبر الأقمار الصناعية (Satellite Embedded Question Answering - SEQA) أن نموذج MemNTN يتفوق بشكل كبير على الأساليب التقليدية غير القائمة على الذاكرة، مما يفتح آفاقًا جديدة لتحسين الأداء في بيئات متعددة التحديات.