تعتبر النماذج التوليدية المستمرة (Continuous-time Generative Models) أداة مهمة في عدة مجالات، بدءًا من الرؤية الحاسوبية (Computer Vision) إلى نمذجة البروتينات (Protein Folding) ونماذج اللغة (Language Models). لكنها تواجه تحديات كبيرة في استنتاج الخصائص الإحصائية بعد التدريب، إذ أن العمليات الحسابية المطلوبة قد تكون مكلفة للغاية.

تأتي تقنية تدفق دالة الموجة (Wavefunction Flows) لتغير ذلك من خلال إعادة صياغة النقل المتعلم على أنه تطور متجانس، مما يسمح بدقة توزيع النهاية لتقريب التوزيع المستهدف. هذه الطريقة أيضًا تجهز تشكيلات متسقة للأمبليتود (Coherent Amplitude Encoding) والتي يمكن معالجتها لاحقًا بواسطة خوارزميات كوانتية توفر ميزة تربيعية على عينة مونت كارلو (Monte Carlo Sampling).

في دراسة حديثة، تم تقديم أول دراسة عددية لهذه التدفقات، حيث تم تمثيل الجوانب المتغيرة زمنياً كشبكات تنسورية. وفي بعد مكاني يصل إلى 8، انخفض التخزين بنسبة تقارب 10^7 مرة مقارنة بالشبكات الكثيفة، وسقطت أوقات تطور الجدار بأكثر من 1000 مرة مقارنة بأساس تم استنتاجه من القياسات السابقة.

هذه النتائج تم التحقق منها بوضوح من خلال إعادة إنتاج السلوك القياسي لعينات الأحداث النادرة (Rare-event Sampling) الذي يعبر عن التوزيع النادر. بهذا الشكل، تمثل هذه الابتكارات قاعدة جديدة للإمكانات المستقبلية في التكنولوجيا الكمومية.