في عصر تتزايد فيه الضغوط على توفير الطاقة والحوسبة الذكية، تلوح في الأفق تقنية Ge²mS-T التي تمثل قفزة نوعية في كفاءة الشبكات العصبية. تُظهر الشبكات العصبية النابضة (Spiking Neural Networks - SNNs) أداءً متميزًا في توفير الطاقة مقارنةً بالشبكات العصبية التقليدية (Artificial Neural Networks - ANNs). ومع ذلك، ترجع التحديات التي تواجهها SNNs إلى قصور في قياسات التدريب والاستدلال، خاصة عندما يتعلق الأمر بتطبيقاتها على المحولات العصبية النابضة (Spiking Vision Transformers - S-ViTs).

تعتبر الأنماط القائمة الحالية، مثل تحويل ANN إلى SNN وتقنية الانتشار الخلفي المكاني الزمني (Spatial-Temporal Backpropagation - STBP)، محدودة في قدرتها على تحسين الذاكرة والدقة واستهلاك الطاقة في الوقت نفسه. لكن مع Ge²mS-T، يتم تقديم نموذج مبتكر يدمج الحوسبة المجمعة عبر الأبعاد الزمنية والمكانية وبنية الشبكة.

تُعتبر تقنية الترميز المعتمدة على الزيادة المجمعية واجهة (Grouped-Exponential-Coding-based IF - ExpG-IF) طريقة فعالة لتحقيق تحويل بلا فقدان مع استمرارية العبء التدريبي وتنظيم دقيق لأنماط النقاط. كما تم تطوير طريقة الانتباه الذاتي المتقطع المجمعة (Group-wise Spiking Self-Attention - GW-SSA) لتقليل التعقيد الحسابي من خلال تجميع التوكنات متعددة المقاييس وعمليات بدون ضرب داخل إطار عمل هجين يجمع بين الانتباه والتفاف.

تثبت التجارب أن الطريقة الجديدة لا تحقق فقط أداءً فائقًا، بل توفر أيضًا كفاءة طاقة عالية جدًا في تحديات معقدة. ويتفرد هذا البحث بأنه الأول الذي يضع أساسًا منهجيًا للحوسبة المجمعة عبر الأبعاد المتعددة، حيث يعالج ثلاثية الأبعاد بين عبء الذاكرة، وقدرة التعلم وميزانية الطاقة في S-ViTs. لمعرفة المزيد، يمكنكم زيارة الرابط إلى الكود.