تزداد الحاجة إلى دمج النماذج المستمرة (Continual Model Merging - CMM) في مجال الذكاء الاصطناعي، حيث تتيح هذه التقنية تخصيص النماذج الأساسية بسرعة وفقًا لمهام جديدة تتوالى بمرور الوقت. يعتبر دمج النماذج المستمرة بديلاً قابلاً للتوسع للتدريب المتكرر، مما يوفر الوقت والموارد.

ومع ذلك، واجهت الأساليب الحالية في دمج النماذج نقصًا في السيطرة على تخصيص سعة التعلم بين القدرات المكتسبة مسبقًا والنماذج المدمجة حديثًا. ولاحظ الباحثون أن هذه الفجوة تؤدي إلى نسيان حاد أثناء دمج المهام، خصوصًا في السيناريوهات التي تختلف فيها أهمية المهام.

تنبع هذه المشكلات من كيفية تعامل الأساليب التقليدية مع كل نموذج مهمة على أنه نقطة معزولة، وتطبيق تركيبات جبرية ثابتة. بينما، في الواقع، تتطلب النماذج المدربة بشكل مستقل تمثيلاً أفضل في فضاء المعلمات، مما يتطلب إنشاء انتقال يحترم الأبعاد المتعددة لكل نموذج.

لذلك، وفقًا لفكرة تواصل الوضع (Mode Connectivity)، افترض الباحثون أن النماذج المدمجة المرغوبة تقع على مسارات منخفضة الفقد، وأن الدمج المستمر يجب أن يتبع هذه المسارات مع تجنب عبور حواجز الفقد التي تؤدي إلى النسيان.

تم اقتراح نهج جديد يسمى دمج دافع المعادلات التفاضلية (ODE-M) مصمم خصيصًا لـ CMM. يقوم هذا النهج بتتبع المسارات المتصلة من خلال دمج حقل سرعة يعتمد على الزمن وفرض قيود على الحواجز لمنع خطوات تزيد من الفقد.

أظهرت التجارب الشاملة أن ODE-M يحقق أداءً رائدًا مقارنةً بمنافسيه عبر معايير CMM الشائعة، مما يعكس الأهمية الكبيرة التي يحملها هذا الابتكار في مجالات الذكاء الاصطناعي.