تشهد مجالات الذكاء الاصطناعي تحولاً جذريًا بفضل الابتكارات الحديثة، ومن أبرز هذه الابتكارات هو مفهوم BLADE. في عصر تتزايد فيه التحديات المتعلقة بكفاءة الطاقة ودقة الكشف، يأتي BLADE ليجمع بين أفضل ما تقدمه التقنيتين: الشبكات العصبية المتساقطة (SNN) والشبكات العصبية الاصطناعية (ANN).

تتمتع الشبكات العصبية المتساقطة بكفاءة طاقة عالية، بينما تؤمن الشبكات العصبية الاصطناعية دقة استثنائية في الكشف. ومع ذلك، كانت الهياكل الهجينة الحالية تميل إلى الاعتماد على استنتاج ثابت وتحديد الحدود SNN-ANN بناءً على الدقة واستهلاك الطاقة فقط، متجاهلة الجوانب الديناميكية والموثوقية.

لذا، يقدم الباحثون طريقة مثيرة تسمى "BLADE"، التي تستخدم استراتيجيات جديدة لاختيار الحدود بين الشبكتين وفقًا لمعايير متعددة تشمل الموثوقية ودقة الكشف ووقت التنفيذ واستهلاك الطاقة.

تظهر التجارب على كاشف الأجسام المعتمد على الأحداث أن BLADE تحقق معدل دقة متوسط للمحددات (mAP) يصل إلى 0.691، مع تقليل الطاقة المستخدمة في الاستنتاج إلى 15.82 مللي جول عند التفعيل المبكر لشبكة ANN.

تحليل الموثوقية يكشف أن أهم عيب يُعتبر من مصدر الفشل الكارثي يظهر في 58.8% من حالات الفشل المدروسة. لكن، حماية هذه البتات بمساحة تخزين إضافية تصل إلى 3% قد يساعد في القضاء على الحالات الكارثية بشكل فعال.

علاوة على ذلك، يُظهر أن زيادة نسبة الحساب داخل SNN يحسن من تحمل الأخطاء، حيث تحقق التركيبة الكاملة من SNN معدل موثوقية يصل إلى 0.965 حتى تحت ظروف أخطاء متطرفة.

تثبت النتائج أن تحسين الموثوقية والدقة ووقت التنفيذ واستهلاك الطاقة جميعًا يُسهم في نشر نظم SNN-ANN الديناميكية بشكل يعتمد عليه بشكل أكبر، الأمر الذي يعد حدثًا محوريًا في تطوير تطبيقات الذكاء الاصطناعي الحساسة التي تعتمد على الحافة.