تصنيف زمني دقيق وفعال باستخدام شبكات عصبية متكررة ذات نبضات متكيفة

مستوحاة من نمذجة أكثر دقة للخلايا العصبية البيولوجية، تم دراسة الشبكات العصبية النابضة (SNNs) باعتبارها نماذج أكثر تطابقًا مع الطبيعة البيولوجية وربما أكثر قوة في حسابات الشبكة العصبية، كما تم استهداف استخلاص كفاءة الطاقة الخاصة بالخلايا العصبية الحيوية. ومع ذلك، ظلت أداء هذه الشبكات محدودة مقارنة بالشبكات العصبية الاصطناعية التقليدية (ANNs). في هذا العمل، نُظهر كيف يمكن لـ "مُدرج افتراضي جديد" مدمج مع شبكات عصبية دائرية مكونة من خلايا عصبية نابضة قابلة للضبط والتكيف أن يحقق أداءً متميزًا على أفضل المستويات في الشبكات العصبية النابضة (SNNs) على معايير صعبة في المجال الزمني، مثل التعرف على الكلام والحركة. كما يفوق هذا الأداء الشبكات العصبية الدائرية التقليدية القياسية (RNNs)، ويتقارب من أداء أفضل الشبكات العصبية الاصطناعية الحديثة. وبما أن هذه الشبكات العصبية النابضة تُظهر نشاطًا نابضًا نادرًا، نُظهر أن أداءها نظريًا يفوق كفاءة الحوسبة بنسبة تصل إلى مرتبة أو مرتبتيين إلى ثلاث مرتبات مقارنة بالـ RNNs ذات الأداء المماثل. وبذلك، تُعد الشبكات العصبية النابضة حلًا جذابًا للتطبيقات في أجهزة الذكاء الاصطناعي.