كشف التداخل الراديوي (RFI) والتخفيف منه أمر بالغ الأهمية لتمكين وتحقيق أقصى استفادة علمية من التلسكوبات الراديوية. وقد أدى ظهور أساليب التعلم الآلي إلى تطبيقها في مجال الفلك الراديوي، وخاصة في كشف التداخل الراديوي. تُعد الشبكات العصبية الشبيهة بالنبضات (SNNs)، التي تُلهمت من الأنظمة البيولوجية، مناسبة جدًا لمعالجة البيانات المكانية الزمنية. تقدم هذه الدراسة أول تطبيق استكشافي للشبكات العصبية الشبيهة بالنبضات (SNNs) في مهمة معالجة بيانات فلكية، وتحديدًا كشف التداخل الراديوي. قمنا بتعديل خوارزمية الجيران الأقرب في الفضاء الخفي (NLN) والهيكل التلقائي (auto-encoder) المُقترح من قبل باحثين سابقين لتشغيلها على الشبكات العصبية الشبيهة بالنبضات من خلال التحويل المباشر من الشبكات العصبية الاصطناعية (ANN) إلى SNN، مما يمكّن من تبسيط كشف التداخل الراديوي من خلال أخذ عينات من الفضاء الخفي الطبيعي المتغير الناتج عن العصبونات النابضة الداخلية. يهدف تقييمنا التالي إلى تحديد مدى جدوى استخدام SNNs في خطط كشف التداخل الراديوي المستقبلية. تم تقييم أداء الكشف باستخدام تلسكوب HERA المُحاكى وبيانات ملاحظات LOFAR التي قدمها المؤلفون الأصليون وتم تسميتها يدويًا. بالإضافة إلى ذلك، قمنا بتقييم الأداء باستخدام مجموعة بيانات محاكاة جديدة مستوحاة من تلسكوب MeerKAT، والتي تُقدّم تحديًا تقنيًا للأساليب القائمة على التعلم الآلي في كشف التداخل الراديوي. وتتركز هذه المجموعة على التداخل الراديوي الناتج عن الأقمار الصناعية، وهي فئة متزايدة الأهمية من التداخلات الراديوية، وتمثل إسهامًا إضافيًا. تُظهر طريقة عملنا أداءً تنافسيًا مع الأساليب الحالية من حيث مقاييس AUROC وAUPRC وF1 بالنسبة لمجموعة بيانات HERA، لكنها تواجه صعوبات في مجموعتي بيانات LOFAR وTabascal. وتحافظ طريقتنا على هذه الدقة مع إزالة تمامًا الخطوة الحاسوبية والذاكرة المكثفة المتعلقة بأخذ العينات من الفضاء الخفي التي توجد في طريقة NLN. تُظهر هذه الدراسة جدوى استخدام SNNs كمسار واعد للكشف عن التداخل الراديوي القائم على التعلم الآلي في التلسكوبات الراديوية، من خلال وضع حد أدنى للأداء على مصادر التداخل التقليدية والحديثة القائمة على الأقمار الصناعية، وهي أول عمل على ما نعلم يطبّق SNNs في الفلك.