في عالم الذكاء الاصطناعي، تمثل نماذج المساحة الحالة الانتقائية (Selective State Space Models) تطوراً بارزاً بفضل قدرتها العالية على التعبير عن بيانات المدخلات. من بين هذه النماذج، يبرز نموذج Mamba كأحد أبرز الخيارات، لكن له قيود تحد من قدرته على معالجة السلاسل الزمنية غير المنتظمة. فعلى الرغم من أن العملية الزمنية المستخدمة في Mamba تفضل التعلم، إلا أن ذلك يحد من تمثيل الفترات الزمنية الجسدية.

من ناحية أخرى، تظهر نماذج S5 التي تعتمد على الزمن المستمر كحل يعدل الأبعاد الزمانية، لكنمودج هذهالنماذج لا يُحقق الأقصى من التعبير بسبب ثبات الديناميكيات الزمنية. ولذا، يقدم فريق البحث نموذج TIDES، والذي يعيد التوازن بين الهيكليات الانتقائية والمستمرة عن طريق نقل الاعتماد على المدخلات إلى مصفوفة الحالة القطرية. من خلال هذه العملية، تُحافظ TIDES على المعنى الفيزيائي للفترة الزمنية، مما يمكنها من إدارة الطوابع الزمنية غير المنتظمة بكفاءة - دون المساس بالقوة التعبيرية للنماذج الانتقائية.

تم اختبار هذا النموذج على معيار تجريبي جديد يسمى "Fading Flash"، والذي يقيم تكامل المدخلات مع القيم غير الموزعة بفترة زمنية محددة. وقد أثبتت TIDES قدرتها على تجنب الأخطاء الموجودة في النماذج الحالية التي تواجه قيوداً معينة.

على صعيد آخر، سجلت TIDES نتائج رائدة في تصنيفات السلاسل الزمنية UEA وتقدير Physiome-ODE، مما وضعها في صدارة المشهد البحثي. لمزيد من التفاصيل، يمكنك الاطلاع على الشيفرة البرمجية المتاحة [هنا](https://github.com/TaylanSoydan/TIDES).