الحساب والتعلم المُثرَّى بالذاكرة في الشبكات العصبية الشاردة من خلال التكيف الهيبي

الذاكرة تُعد مكونًا رئيسيًا في الأنظمة العصبية البيولوجية، حيث تتيح الحفاظ على المعلومات عبر مدى واسع من المدى الزمني، يتراوح من مئات الميلي ثانية إلى سنوات. وعلى الرغم من أن التكيف الهيبي (Hebbian plasticity) يُعتقد أنه يلعب دورًا محوريًا في الذاكرة البيولوجية، إلا أنه حتى الآن تم تحليله بشكل رئيسي في سياق استكمال الأنماط والتعلم غير المراقب. في هذا العمل، نقترح أن التكيف الهيبي يُعد أساسياً للعمليات الحسابية في الأنظمة العصبية البيولوجية. ونقدم معمارية جديدة لشبكات عصبية مُشَبَّبة (spiking neural networks) تُغْنَى بخاصية التكيف الهيبي في الاتصالات العصبية. ونُظهر أن تحسين الشبكة بالتكيف الهيبي يجعلها متنوعة بشكل مدهش من حيث قدراتها الحسابية والتعلمية. إذ يُحسّن من قدرتها على التعميم خارج التوزيع (out-of-distribution generalization)، والتعلم في نموذج واحد (one-shot learning)، والارتباطات التوليدية بين الوسائط المختلفة (cross-modal generative association)، ومعالجة اللغة، والتعلم القائم على المكافأة. وبما أن الشبكات العصبية المُشَبَّبة تُشكّل الأساس لتصميم أجهزة عصبية مُحاكية كفؤة من حيث استهلاك الطاقة، فإن هذا يشير إلى إمكانية بناء أنظمة عصبية مُحاكية قادرة على التفكير المعرفي القوي بناءً على هذا المبدأ.