في بيئة التعلم المستمر، تحتاج النماذج إلى أن تكون مرنة بما يكفي لتعلم مهام جديدة، وثابتة بما يكفي للحفاظ على القدرات التي تم تعلمها سابقًا. تُشير الدراسات إلى أن هذه المعادلة المعقدة تشترك في جذور معمارية. فالشبكات المحدودة لها موارد تمثيلية ومرنة محدودة، بينما يعتمد السعة المطلوبة على خصائص تيارات المهام المستقبلية المجهولة.

مركبات أساليب تنظيم المعرفة تضمن الحفاظ على المعرفة السابقة ضمن هياكل ثابتة، مما يعتمد بشكل ضمني على هيكل مُستشار (oracle architecture) مصمم لهذه المستقبلات غير المعروفة. ومع توفر مهام ضعيفة العلاقة، تبدأ الهياكل الثابتة في نفاد مواردها المرنة، أما عندما تكون المهام قليلة أو ذات تداخل قوي، غالبًا ما تكون النماذج مُوفرة أكثر من اللازم.

مستوحاة من النمو العصبي في علم الأحياء، قدمت NORACL كحل لهذه الإشكالية من خلال مواجهة مشكلة الهيكل الاستشاري عبر النمو العصبي. يبدأ الأمر بشبكة مضغوطة، ويتزايد حجمها فقط عند الحاجة، حيث تراقب إشارتين تكميليتين لتشبع التمثيل والمرونة. تم تقييم NORACL مقابل أسس ثابتة بحجم مستشار عبر عدد متنوع من المهام والأشكال الهندسية، حيث أظهرت NORACL دقة نهائية متوسطة أفضل أو تُعادل تلك النماذج الاستشارية، بينما كانت تستخدم عددًا أقل من المعلمات.

علاوة على ذلك، ينتج عن NORACL هياكل ذات نمو قابل للتفسير، حيث تساهم المهام المختلفة في توسيع طبقات استخراج الميزات، بينما تتجه المهام التي تعتمد على ميزات مشتركة إلى النمو في طبقات دمج الميزات المتأخرة. يوضح تحليلنا لماذا تفقد الشبكات ذات السعة الثابتة المرونة مع تراكم المهام، بينما تُنشئ NORACL سعة جديدة للمهام الجديدة من خلال النمو.

في الختام، تُظهر هذه النتائج كيف يدفع النمو العصبي التكيفي حدود استقرار ومرونة التعلم المستمر.