STSC-SNN: اتصال مُتَعَقِّدٌ فَعَّالٌ فِي الْمَكَانِ وَالزَّمَانِ بِمُعَالَجَةِ التَّوَقُّعِ وَالانتباهِ لِشَبَكَاتِ الْعُقْبَانِ الْمُتَفَجِّرَةِ

الشبكات العصبية المُشَبِّكَة (SNNs)، كواحدة من النماذج الخوارزمية في الحوسبة العصبية، لاقت اهتمامًا بحثيًا كبيرًا بفضل قدرتها على معالجة المعلومات الزمنية، واستهلاكها المنخفض للطاقة، وتماثلها البيولوجي العالي. ويُعد القدرة الفعالة على استخراج السمات الفضائية-الزمنية أحد المزايا التي تجعلها مناسبة لمعالجة تدفقات الأحداث. ومع ذلك، فإن الهياكل العصبية الحالية في SNNs تعتمد في الغالب على اتصالات كاملة (full-connections) أو ت convolution ثنائية الأبعاد فضائية، ولا يمكن لأي منهما استخلاص الاعتماد الزمني بشكل كافٍ. في هذه الدراسة، نستلهم من الهياكل العصبية البيولوجية ونُقدّم نموذجًا جديدًا للشبكة العصبية المُشَبِّكَة ذات الاتصال العصبي الفضائي-الزمني (STSC-SNN)، بهدف تعزيز الحقول المستقبلة الفضائية-الزمنية للاتصالات العصبية، وبالتالي إقامة اعتماد زمني عبر الطبقات. وبشكل محدد، ندمج بين الت convolution الزمني وآليات الانتباه لتحقيق وظائف التصفية العصبية والتحكم (الغating). ونُظهر أن منح النماذج العصبية اعتمادًا زمنيًا يمكن أن يُحسّن أداء SNNs في المهام التصنيفية. بالإضافة إلى ذلك، ندرس تأثير التغيرات في الحقول المستقبلة الفضائية-الزمنية على الأداء، ونُعيد تقييم وحدات الزمن في SNNs. وقد تم اختبار النهج المقترح على مجموعات بيانات عصبية (neuromorphic datasets)، بما في ذلك DVS128 Gesture (لتمييز الإشارات الحركية)، وN-MNIST، وCIFAR10-DVS (لتصنيف الصور)، وSHD (لتمييز الأرقام الصوتية). وتُظهر النتائج أن النموذج المقترح يتفوق على أحدث النماذج من حيث الدقة في معظم مجموعات البيانات.