인공 신경망 (Artificial Neural Networks)의 결정적인 한계 중 하나는 지속적으로 학습하는 능력이 부족하다는 점입니다. 즉, 새로운 작업 (Task)을 학습할 때 이전 작업들에 대한 간섭 (Interference)과 망각 (Forgetting)이 자주 발생합니다. 간섭으로부터 오래된 기억을 보호하기 위해 여러 알고리즘이 제안되었지만, 이들은 일반적으로 각 새로운 학습 에피소드 중 또는 직후에 적용됩니다. 이와 대조적으로, 인간과 동물은 지속적으로 학습할 수 있으며, 능동적인 학습 (Active Learning) 과정에서 여러 새로운 기억을 습득한 후 이를 모두 장기 저장소 (Long-term Storage)로 통합 (Consolidation)할 수 있습니다. 본 연구에서는 비지도 학습 기반의 수면 유사 리플레이 (Unsupervised Sleep-like Replay) 단계가 적용되기 전, 여러 새로운 작업들을 순차적으로 학습할 수 있음을 보여주며, 이 리플레이 단계는 이전에 학습된 모든 작업에 걸쳐 성능을 부분적으로 복구합니다. 나아가 우리의 연구는 작업 특화 정보 (Task-specific Information)가 새로운 학습에 대해 회복력을 유지하지만, 네트워크가 새로운 작업들에 대해 학습됨에 따라 점진적으로 쇠퇴한다는 점을 시사합니다. 이러한 발견은 광범위한 지속 학습 (Continual Learning) AI 솔루션을 개발하기 위한 새로운 원칙을 제시합니다.