أظهرت نماذج التشتت أداءً ملحوظًا في العديد من المهام التوليدية. وعلى الرغم من النجاحات الأخيرة، تظل معظم نماذج التشتت محدودةً في قدرتها على تطبيق تحولات خطية فقط على توزيع البيانات. في المقابل، يمكن أن تُسهم عائلة أوسع من التحولات في تدريب التوزيعات التوليدية بكفاءة أكبر، مما يبسط عملية التحويل العكسي ويقلل الفجوة بين الاحتمال السالب الطبيعي الحقيقي وتقريب التغاير. في هذه الورقة، نقدّم نماذج التشتت العصبية (NDMs)، وهي تعميم للنماذج التوليدية التقليدية التي تتيح تعريف وتعلم تحولات غير خطية تعتمد على الزمن للبيانات. ونُظهر كيف يمكن تحسين نماذج NDMs باستخدام حد تغاير في بيئة خالية من المحاكاة. علاوةً على ذلك، نُشتق صيغة مستمرة زمنيًا لنموذج NDMs، مما يسمح باستنتاج سريع وموثوق باستخدام حلول عادية للمعادلات التفاضلية العادية (ODE) والمعادلات التفاضلية العشوائية (SDE). وأخيرًا، نُظهر فائدة نماذج NDMs ذات التحولات القابلة للتعلم من خلال تجارب على معايير توليد الصور القياسية، بما في ذلك CIFAR-10، والنسخ المُخفّضة من ImageNet، وCelebA-HQ. وتُظهر نماذج NDMs تفوقها على النماذج التوليدية التقليدية من حيث الاحتمال، وتحقيق عينات عالية الجودة.