يمكن لنظام ديناميكي مكوّن من ألياف عصبية تنفّذ نبضات (spiking neurons) ذات اتصالات فقط في الاتجاه الأمامي (feedforward) أن يصنّف الأنماط المكانية-الزمنية دون الحاجة إلى اتصالات عودية (recurrent). ومع ذلك، لا تزال البنية النظرية لشبكة عصبية تنفّذ نبضات ذات اتجاه أمامي (SNN) لتقريب التسلسل الزمني غير واضحة، مما يجعل من الصعب تحسين هياكل SNN لتعلم الأنماط المكانية-الزمنية المعقدة.في هذه الدراسة، نُنشئ إطارًا نظريًا لفهم وتحسين تقريب التسلسل باستخدام SNN ذات اتجاه أمامي.يُظهر إطارنا النظري أن SNN ذات اتجاه أمامي، مع عصبون واحد فقط في كل طبقة واتصالات متعددة الطبقات (skip-layer connections)، يمكنها تقريب دالة التمثيل بين أي أزواج عشوائية من مجموعات النبضات المدخلة والمخرجة على مجال محدود (compact domain). علاوةً على ذلك، نُثبت أن العصبونات غير المتجانسة ذات الديناميكيات المختلفة، جنبًا إلى جنب مع اتصالات متعددة الطبقات، تحسّن من أداء تقريب التسلسل في SNN ذات اتجاه أمامي. وبناءً على ذلك، نقترح هياكل لـ SNN تدمج هذه العناصر، وتُدرّس باستخدام خوارزميتي التغذية المرتدة عبر الزمن (BPTT) المُعتمدة على التدريب المراقب، وتقنية التغير التوقيتي للانسجام العصبي (STDP) غير المراقبة، بهدف تصنيف البيانات المكانية-الزمنية. كما طوّرنا طريقة تحسين بايزية لفضاءين متزامنين (Dual Search-space Bayesian Optimization) لتحسين البنية والمعاملات الخاصة بالـ SNN المقترح، مع الأخذ بعين الاعتبار ديناميكيات العصبونات غير المتجانسة واتصالات متعددة الطبقات.