神经网络为什么有时越学越难学，怎样保持学习新东西的能力？
长期训练怎样改变学习新任务的能力；表示、激活、参数尺度和优化历史各起什么作用，骤变与平滑变化环境是否产生不同结果？
研究对象
以可复现的小型持续监督学习任务为起点，在相同资源和评价条件下分别测新任务学习速度与旧任务保持。
为什么值得做
理解学习过程如何改变未来可学习性，并把机制比较落实为受控计算。
待比较的机制
- 表示有效维度和单元响应下降限制后续更新
- 参数尺度与优化器状态导致训练困难
- 骤变任务、分布重叠及有限训练预算放大表观可塑性下降
与父库的分界
T14研究局部学习，T33研究神经表征漂移，T54研究睡眠记忆组织；本题聚焦人工网络后续学习能力。父库泛化与训练动力学可作背景，不据网络结果直接解释人类衰老。 2026-09-12开题核父库泛化/训练统计物理相关正文及子库T14/T33；本篇以共同新任务可训练性为增量，不裁决深学习物理类比。
证据入口
- Loss of plasticity in deep continual learning
2024 · 原始持续学习实验，核任务序列、基线与性能分母；推荐阶段已核题录及摘要或公开相关段落，尚未完成全文、方法和补充材料审查，开题须回原件。 · 摘要或题录入口已核
- Do Neural Networks Lose Plasticity in a Gradually Changing World?
2026 · 作者预印本入口；研究环境变化方式这一竞争解释，开题核最新版本与发表状态；推荐阶段已核题录及摘要或公开相关段落，尚未完成全文、方法和补充材料审查，开题须回原件。 · 摘要或题录入口已核
入口初筛 2026-09-11；课题尚未完成时，这些材料不代表已有研究结论。