في عالم الذكاء الاصطناعي، حظيت الشبكات العصبية المستمرة (Continuous Graph Neural Networks) باهتمام كبير، وذلك لقدرتها الفائقة على تعميم الشبكات العصبية التقليدية (Graph Neural Networks) عبر تقديم ديناميات مستمرة. يستلهم هذا النوع من الشبكات أساليب الانتشار (Diffusion-based Methods) لتقديم نظام جديد لنشر البيانات، يتم تحليله باستخدام معادلات تفاضلية عادية (Ordinary Differential Equations).

ومع ذلك، يتطلب تنفيذ هذه الشبكات موارد حسابية ضخمة، مما يعوق إمكانية استخدامها في الأجهزة التي تعمل بالبطارية. ولتجاوز هذه العقبة، تمثل الدمج بين الشبكات العصبية النابضة (Spiking Neural Networks) والشبكات العصبية المستمرة في إطارٍ متكامل يُعرف باسم COS-GNN.

تعمل COS-GNN على استخدام الشبكات العصبية النابضة لتمثيل العقد في الرسم البياني عند كل خطوة زمنية، والتي تُدمج لاحقًا في عملية المعادلات التفاضلية عبر الزمن. ولتعزيز الحفاظ على المعلومات وتقليل فقدانها في الشبكات العصبية النابضة، تم إدخال بنية عالية الترتيب في COS-GNN، تستخدم المعادلات التفاضلية من الدرجة الثانية لتمثيل النبضات والانتشار المستمر.

علاوة على ذلك، تم تقديم دليل نظري يوضح كيفية تخفيف COS-GNN لمشكلات تزايد وتجمد التدرجات، مما يمكّن من استيعاب التبعيات بعيدة المدى بين العقد. وأظهرت النتائج التجريبية على مهام التعلم المستند إلى الرسوم البيانية فعالية COS-GNN مقارنةً بالأساليب التقليدية، مما يشير إلى إمكانية استخدامها في تطبيقات الذكاء الاصطناعي المتقدمة.