الشبكات العصبية المُنفَّذة بالنبضات (SNN) تمثل مسارًا بحثيًا واعدًا لبناء أنظمة اعتراف تلقائية بالكلام دقيقة وفعالة. تُمكّن التطورات الحديثة في ترميز الصوت إلى نبضات وخوارزميات التدريب الشبكات العصبية المُنفَّذة بالنبضات من تطبيقها في مهام عملية. تُواصل الشبكات العصبية المستوحاة من الطبيعة التواصل من خلال أحداث نادرة وغير منسقة زمنيًا، مما يجعل توقيت النبضات عاملًا حاسمًا في أداء الشبكة. وفي هذا السياق، تركز معظم الدراسات على تدريب الأوزان السينابسية، بينما اهتمّت قلة منها بتأخيرات نقل الأحداث، المعروفة باسم التأخير المحوري (axonal delay). في هذا العمل، نُقدّم تأخيرًا محوريًا قابلاً للتعلم، محدودًا بقيمة قصوى، يمكن تكييفه وفقًا لتوزيع التأخير المحوري في كل طبقة من الشبكة. ونُظهر أن الطريقة المقترحة تحقق أفضل نتائج تصنيف مُبلغ عنها حتى الآن على مجموعة بيانات SHD (92.45%) وعلى مجموعة بيانات NTIDIGITS (95.09%). يُبرز هذا العمل الإمكانات الكامنة في تدريب التأخيرات المحورية للمهام التي تمتلك هيكلًا زمنيًا معقدًا.