في عالم الذكاء الاصطناعي، تستمر الابتكارات في التحول إلى آفاق جديدة، ومن بينها المحولات المتفجرة المرنة (Elastic Spiking Transformers) التي تُحدث ثورة في طريقة معالجتنا لبيانات المستشعرات المستخدمة في الرعاية الصحية.

تعتبر الشبكات العصبية المتفجرة (Spiking Neural Networks - SNNs) رائدة في هذا المجال، إذ تتمتع بكفاءة عالية في استهلاك الطاقة. لكن التحدي الذي تواجهه هذه الأنظمة هو rigidity، فقد كانت جميع الهياكل المستعملة تدريبًا ونشرًا تعتمد على شبكات ثابتة مع عدد محدد من المعلمات. هذا الشكل الثابت يحد من إمكانية استخدامها على الأجهزة العصبية مثل لوحي (Loihi) و(SpiNNaker)، حيث تتطلب القيود المفروضة قياسات أصغر تعزز الكفاءة على حساب الدقة.

هنا يأتي دور المحولات المتفجرة المرنة، التي تقدم هيكلًا قابلًا للتكيف في الزمن الحقيقي. مستلهمًا من التعلم التمثيلي بأسلوب ماتريوشكا، تتيح هذه المحولات دمج القيادة المرنة في كل من وحدة استخراج الميزات، واهتمام المتفجرات الذاتية (Spiking Self-Attention)، بالإضافة إلى الكتل الأمامية (Feed-Forward).

باستخدام مشاركة الأوزان المدركة للجزئية، يمكن لنموذج موحد أن يقطع عرض الشبكة ورؤوس الانتباه في وقت الاستدلال دون الحاجة إلى إعادة التدريب. هذا التصميم الجديد يوفر مزايا رئيسية لنماذج SNN. أولًا، Тتيح للنموذج تعديل مساحة معاييره لتناسب ميزانيات الذاكرة للأجهزة المختلفة. ثانيًا، يقلل خفض عدد الخلايا العصبية النشطة من معدلات إطلاق الشوارد، مما يؤدي إلى تقليل عمليات التشابك، وهو ميزة في استهلاك الطاقة غير متاحة في الشبكات العصبية الاصطناعية التقليدية.

لدعم هذا الادعاء، تم تقييم هذا النهج على مجموعة بيانات CIFAR10 وCIFAR100، بالإضافة إلى مجموعة بيانات EHWGesture لفهم الحركات السريرية. وأظهرت النتائج أن المحول المتفجر المرن الواحد يغطي مجموعة واسعة من تبادلات التعقيد والدقة، متفوقًا أو مطابقًا لنماذج مدربة بشكل مستقل، مما يدعم التعرف التفاعلي على الحركات في الوقت الحقيقي على الأجهزة ذات الموارد المحدودة.

في ختام هذه الجولة في عالم الابتكارات، نتساءل: كيف ستؤثر هذه التكنولوجيا الجديدة على مستقبل فهم الحركات؟ شاركونا آراءكم في التعليقات!