تدريب شبكية عصبية ذات نبضات فردية قوية وسريعة مع إمكانية التطبيق على المهام الزمنية الصعبة

الشبكات العصبية ذات الانفجارات (SNNs)، وبخاصة النسخة ذات الانفجار الواحد التي تُنفّذ فيها الخلايا العصبية انفجارًا واحدًا كحد أقصى، تكون أكثر كفاءة من حيث استهلاك الطاقة مقارنة بالشبكات العصبية الاصطناعية القياسية (ANNs). ومع ذلك، فإن الشبكات ذات الانفجار الواحد تُعدّ صعبة التدريب بسبب طبيعتها الديناميكية وغير القابلة للتفاضل، حيث تعاني الحلول الحالية إما من بطء التدريب أو من عدم استقرار أثناء التدريب. كما اُنتُقدت هذه الشبكات لقيودها في التطبيقات الحسابية، مثل عدم ملاءمتها لبيانات التسلسل الزمني. نقترح نموذجًا جديدًا لتدريب الشبكات العصبية ذات الانفجار الواحد، يُقلل من المشكلات المذكورة أعلاه ويحقق نتائج تنافسية عبر مجموعة متنوعة من مجموعات البيانات الصورية والمحاكاة العصبية، مع تسريع تدريب يصل إلى 13.98 مرة، وخفض في عدد الانفجارات بنسبة تصل إلى 81% مقارنة بالشبكة ذات الانفجارات المتعددة. وبشكل ملحوظ، تُظهر نماذجنا أداءً مماثلًا للشبكات ذات الانفجارات المتعددة في المهام الصعبة التي تتضمن بيانات تسلسل زمني عصبي، مما يدل على دور حسابي أوسع للشبكات ذات الانفجار الواحد من المعتقد سابقًا.