Yapay zeka alanında uzun süredir devam eden temel sorunlardan biri, AI ajanlarının yeni bilgiler öğrenirken önceki deneyimlerini unutması olarak bilinen 'katastrofik unutma' problemidir. Bu soruna çözüm arayan araştırmacılar, insan beyninin hafıza oluşum mekanizmalarından ilham alan yenilikçi bir yaklaşım geliştirdi.
Uyarlanabilir Hafıza Kristalleşmesi (AMC) olarak adlandırılan bu sistem, hafızayı üç farklı faza ayıran hiyerarşik bir yapı kullanıyor: Sıvı, Cam ve Kristal. Bu model, nörobilimdeki sinaptik etiketleme ve yakalama teorisinin temel yapısından esinleniyor ancak altta yatan moleküler mekanizmaları taklit etme iddiasında bulunmuyor.
Sistemin işleyişi, deneyimlerin çok amaçlı bir fayda sinyaline göre plastik durumdan kararlı duruma geçişi üzerine kurulu. Bu süreç, matematiksel olarak Itô stokastik diferansiyel denklemi ile modellenirken, popülasyon düzeyindeki davranış Fokker-Planck denklemi ile açıklanıyor.
AMC'nin en önemli özelliği, sürekli pekiştirmeli öğrenme ortamlarında deneyimlerin aşamalı olarak pekiştirilmesini sağlaması. Bu yaklaşım, dinamik ortamlarda faaliyet gösteren otonom AI ajanlarının yeni yetenekler kazanırken mevcut bilgilerini korumasına olanak tanıyor.
Bu gelişme, yapay zeka sistemlerinin gerçek dünya uygulamalarında daha etkili ve güvenilir hale gelmesi açısından kritik öneme sahip.