في عالم الذكاء الاصطناعي، يعد الكشف عن الكائنات جزءاً أساسياً من العديد من التطبيقات، لكن النماذج الحالية تفتقر إلى آليات الذاكرة الصريحة. هنا يأتي دور دراسة مبتكرة جديدة بعنوان "Hippocampus-DETR"، والتي تهدف إلى معالجة هذه المشكلة من خلال تقديم إطار جديد يستند إلى نمذجة ذاكرة hippocampus البيولوجية.

يجمع إطار Hippocampus-DETR بين شبكة ذاكرة hippocampal، تُعرف بـ HipNet، وهي تتكامل بسلاسة ضمن هيكل DETR. تم تصميم هذا الإطار بشكل منهجي لتقليد التركيب التشريحي والتنظيم الوظيفي لمناطق hippocampus الفرعية مثل القشرة الشمية (entorhinal cortex)، التلافيف السنيمية (dentate gyrus)، CA3، CA1، والسبكولوم (subiculum).

تعطي هذه التصميمات الإطار القدرة على تحقيق فصل الأنماط، وإكمال الأنماط، وتصنيف الأهمية، ودمج المعلومات في ميزات الترميز البصرية. خلال عملية التدريب، يتم تحسين وحدات الذاكرة الفرعية المختلفة باستخدام استراتيجية تدريب طبقية، مما يؤدي في النهاية إلى تشكيل نظام ذاكرة قادر على الاسترجاع والإكمال.

تظهر النتائج التجريبية أن Hippocampus-DETR يحقق دقة أعلى في اكتشاف الكائنات بالمقارنة مع النماذج السائدة الحالية. والأهم من ذلك، أن النماذج المجهزة بهذا الإطار تظهر أيضاً قدرة ممتازة على التعميم وكفاءة في البيانات في مهام مثل تصنيف الصور القليل الشوت (few-shot image classification) وبناء الميزات متعددة الوسائط (multimodal feature construction) واستعادة الصور (image restoration).

تؤكد التجارب اللاحقة على الحاجة الوظيفية والقدرة التفسيرية الداخلية لكل وحدة ذاكرة فرعية، مما يسلط الضوء على القيمة الكبيرة لهذا البحث في تحسين كفاءة تعلم النماذج وقوة المهام.