개인화된 가상 심장 시뮬레이션은 모델의 개인화 (Personalization) 및 계산 비용 측면에서 어려움에 직면해 있습니다. 신경 대리 모델 (Neural surrogates)이 최첨단 솔루션을 제공하지만, 이들은 일반적으로 효율적인 개인화 또는 일반화 가능한 모델 학습 중 하나만을 다룹니다. 최근의 연구들은 집합 조건부 대리 모델 (Set-conditioned surrogates)과 메타 학습된 분할 추론 (Meta-learned amortized inference)을 이용한 퓨샷 생성 모델링 (Few-shot generative modeling)을 통해, 제한된 피험자 특이적 컨텍스트 데이터를 사용하여 대리 모델을 개인화하는 과정을 학습함으로써 이 문제를 재정의했습니다. 그러나 이러한 방법들은 작업 식별자 (Task identifiers)가 알려진 정적이고 다양한 훈련 분포를 가정합니다. 새로운 데이터가 가용해지면, 이전 작업들을 모델이 잊어버리는 현상인 파괴적 망각 (Catastrophic forgetting)을 방지하기 위해 모든 이전 데이터를 포함한 비용이 많이 드는 재학습이 필요합니다. 이는 레이블이 없는 데이터가 순차적으로 도착하며 전체 재학습이 불가능한 임상 환경에서 주요한 한계점입니다. 본 논문은 정보를 지속적으로 통합할 수 있을 뿐만 아니라, 유입되는 데이터가 알려진 역학 소스에서 온 것인지 아니면 미지의 소스에서 온 것인지 식별할 수 있는 새로운 지속적 메타 학습 (Continual meta-learning) 프레임워크를 제시합니다. 메모리 버퍼 (Memory buffer) 상의 지속적 베이지안 가우시안 혼합 모델 (Continual Bayesian Gaussian Mixture Model)을 활용함으로써, 우리 프레임워크는 효과적인 메타 학습에 필수적인 데이터의 식별자와 시간 경과에 따른 관계를 추론할 수 있습니다. 합성 심장 데이터에 대한 실험 결과, 기존 베이스라인과 비교하여 우수한 시뮬레이션 예측 성능, 계산 확장성 및 파괴적 망각에 대한 회복력을 입증하였습니다.