في عالم الذكاء الاصطناعي، يعتبر التعلم المستمر (Continual Learning) أحد أكبر التحديات، حيث يتعين على الأنظمة مواجهة صعوبة في الحفاظ على ما تم تعلمه سابقاً أثناء اكتساب معلومات جديدة. عادةً ما تواجه هذه الأنظمة ما يُعرف بـ "معضلة الاستقرار والمرونة"، حيث يجب أن تكون قادرة على اكتساب معارف جديدة دون إرباك أو فقدان المعلومات السابقة.

تهدف دراسة جديدة إلى فهم متى وأين تلعب البنية الفصلية دوراً مهماً في هذا التوازن. قام الباحثون بدراسة تأثير هيكل الشبكة، وتشابه المهام، وأبعاد التمثيل على التعلم في بيئة مهام متسلسلة مستلهمة من دراسات النقل والتداخل.

تم تقسيم الشبكات إلى وحدات معينة ومقارنتها مع شبكة ذات وحدة واحدة، مع تغيير مستوى تشابه المهام (من منخفض إلى مرتفع) ومدى بدء الأوزان الذي يُعدّل من نظم التعلم بشكل مختلف. وقد أظهرت النتائج أن البنية لها تأثير ضئيل في الأنظمة العالية الأبعاد، حيث يمكن للأبعاد التمثيلية استيعاب مهام متعددة دون تأثير كبير.

بينما في الأنظمة ذات الأبعاد المنخفضة، تصبح البنية المعمارية حاسمة: تُظهر الشبكات المنفصلة تمايزاً تدريجياً بين الفضاءات الفرعية المحددة للمهام، حيث تتداخل المهام المتشابهة بشكل طفيف بينما تتباعد المهام الغير متشابهة بشكل أقوى. على عكس ذلك، لم تظهر الشبكة المنفردة هذا النوع من الانفصال المعماري.

تشير هذه النتائج إلى أن الأبعاد التمثيلية تعمل كمتغير رئيسي يحكم متى تصبح البنية الفصلية مهمة وظيفياً، مما يبرز دور الهندسة التكيفية كمبدأ مركزي في تصميم أنظمة التعلم المستمر.