في عالم الذكاء الاصطناعي، يعد التعلم من التسلسلات الزمنية من أكبر التحديات التي تواجه الشبكات العصبية. لكن نموذج ELiSe (Efficient Learning of Sequences) يأتي كحلٍ مبتكر يجمع بين الأداء العالي والبساطة البيولوجية.

يرتكب الدماغ البشري كمية هائلة من الأنظمة المعقدة والتي تمتاز بالزمان والمكان، حيث تعتمد على تسلسلات زمنية من الأفعال المدفوعة بالنشاط العصبي. لذا، يتطلب تعلم الأنماط التسلسلية المعقدة في الشبكات العصبية أن تستمر ذاكرتها لفترات طويلة تتجاوز أوقات استرخاء النشاط للخلية العصبية الواحدة.

في هذا السياق، تظهر الشبكات العصبية المتكررة كوسيلة فعالة لتوليد مثل هذه الأنماط، إلا أن تدريبها يشكل تحديًا حقيقيًا. حيث تمنح طرق التعلم مثل FORCE وRTRL وBPTT ميزة وظيفية كبيرة، ولكن على حساب المصداقية البيولوجية.

يأتي نموذج ELiSe كحل يركز على ميزتين هيكليتين بارزتين في الشبكات القشرية: Scaffold التكوين الشبكي عند بداية التعلم ووجود مقصورات دندريتية لتعزيز تخزين المعلومات العصبية والحساب. من خلال ذلك، يمكن لنموذج ELiSe تعلم وإعادة تشغيل أنماط فضائية زمنية معقدة دون الحاجة إلى التكرار المستمر، بل باستخدام البلاستيك المترابط القائم على المعلومات المحلية والمستمرة.

قمنا بعرض قدرات ELiSe من خلال نموذج محاكي لتعلم غناء الطيور، حيث أظهر المرونة في التعامل مع المعلمات المختلفة، وصد التحديات الخارجية. يبدو أن هذا النموذج يعد بفتح آفاق جديدة في قدرات التعلم العصبي، مما يشكل خطوة مهمة إلى الأمام في عالم الذكاء الاصطناعي.