في الآونة الأخيرة، اقترحنا خوارزمية STiDi-BP، التي تتجنب حساب التدرجات العكسية التكرارية، لتدريب الشبكات العصبية الشبيهة بالدماغ متعددة الطبقات (SNNs) باستخدام الترميز الزمني القائم على نبضة واحدة. تعتمد الخوارزمية على تقريب خطي لحساب المشتقة لتأخير النبضة العصبية بالنسبة لجهد الغشاء، كما تستخدم عصبونات عصبية مُشَبَّهة بخطيًا لخفض التكلفة الحسابية وتعقيد معالجة البيانات العصبية. في هذه الورقة، نوسع خوارزمية STiDi-BP لاستخدامها في هياكل أعمق وأكثر تكاملاً باستخدام التحويلات التلافيفية (convolutional architectures). وتوصل نتائج التقييم في مهمة تصنيف الصور باستخدام معيارين شهيرين، وهما مجموعتا بيانات MNIST وFashion-MNIST، إلى دقة بلغت على التوالي 99.2% و92.8%، مما يؤكد قابلية تطبيق هذه الخوارزمية في الشبكات العصبية العميقة الشبيهة بالدماغ. كما نتناول مشكلة تقليل استهلاك الذاكرة وتكلفة الحساب. ولتحقيق ذلك، ندرس شبكة عصبية تلافيفية شبيهة بالدماغ (CSNN) تمتلك نوعين من المعاملات: معاملات حقيقية تُحدَّث خلال المرحلة العكسية، ومعاملات ثنائية تمثل إشارات هذه المعاملات، وتُستخدم خلال المرحلة الأمامية. وقد قمنا بتقييم نموذج CSNN الثنائي على مجموعتي بيانات MNIST وFashion-MNIST، وحققنا أداءً مقبولًا مع انخفاض ضئيل جدًا في الدقة مقارنة بالمعاملات الحقيقية (بنسبة انخفاض تبلغ حوالي 0.6% و0.8% على التوالي).