في مجال الذكاء الاصطناعي، تعتبر استعادة الديناميكا المستمرة من الملاحظات المنفصلة تحديًا كبيرًا، حيث تفقد الأدلة المحلية (مثل أهداف الانحدار النقطي أو تقديرات المشتقات) دقتها مع زيادة فترة الملاحظة. لتجاوز هذا التحدي، قدم الباحثون منهجية جديدة تعتمد على قيود هيكلية عالمية: أي تدفق يمثل ديناميكا مستقلة يجب أن يلتزم بخصائص المجموعة شبه الزمنية.

قام الباحثون بتدريب حقل سرعة ثانوي مشروط بالزمن، حيث يعتبر انحرافه عن هذه الخصائص، والذي أطلقوا عليه اسم "انهيار التناظر"، له وظيفتان رئيسيتان. الأولى هي كأداة تقنين تدريب، حيث يحدد الفضاء الافتراضي للتدفقات التي تتكون بشكل متسق عبر مقاييس زمنية مختلفة. والثانية كمرجع استنتاجي، حيث يمكن لحل الإشكال اختيار أكبر حجم خطوة يحافظ على التناسق الداخلي، مما يحل مشاكل الخطأ الموحد التي تعتمد عليها الحلول التكيفية التقليدية.

عند إجراء التجارب على نماذج الانحدار الجزيئي تحت استنتاج مستنير زمنيًا، أظهرت هذه الطريقة تقليصًا قدره 87% في متوسط خطأ التنبؤ أثناء استخدام خمس مرات أقل من تقييمات الدالة مقارنة بأساس Neural ODE. وفي بيئة الاسترجاع الآلي المباشر الأكثر تعقيدًا، حيث يتعين على النموذج التنبؤ بإطارات مستقبلية بعيدة دون مؤشرات زمنية وسيطة، تمكن المحلل التكيفي من تخصيص الموارد الحسابية بناءً على التعقيد الهندسي المحلي، محافظًا على أقل خطأ في التنبؤ في نموذجين من أصل ثلاثة، بينما تباعدت القواعد الأخرى أو تطلبت عدة مرات إضافية من تقييمات الدالة للبقاء مستقرة.