في خطوة جديدة نحو دمج تقنيات الذكاء الاصطناعي، قدم الباحثون نظامًا هجينيًا يدمج بين الشبكات العصبية التقليدية (Artificial Neural Networks - ANN) والشبكات النابضة (Spiking Neural Networks - SNN). يهدف هذا النظام إلى استغلال القدرات العالية للتعلم من الشبكات العصبية المدربة مسبقًا، حيث يعزز الأداء بشكل ملحوظ.

يعتمد هذا النظام على هيكلية تتضمن مشفر EfficientNet المدرب مسبقًا، جنبًا إلى جنب مع مصنف نابض CoLaNET. من خلال تحويل تنشيطات المشفر إلى سلاسل نبضية باستخدام تقنية الترميز بالمعدل (Rate-Coding)، يقوم الباحثون بتدريب المصنف النابض باستخدام قواعد تعلم محلية مستوحاة من الطبيعة، متجنبين بذلك الحاجة إلى تمرير التدرجات عبر الشبكة بأكملها.

النتائج كانت مذهلة، حيث حقق النظام دقة تصل إلى 99.09% في معيار تصنيف مكون من 64 فئة من مجموعة بيانات ImageNet. هذا الأداء يعادل ما تقدمه الشبكات العصبية التقليدية المتطورة، مما يفتح آفاقًا جديدة لجعل الأنظمة الذكية أكثر كفاءة وإمكانية التكيف.

إن هذا العمل لا يعكس فقط تقدمًا في الفهم البيولوجي للشبكات العصبية ولكن يقدم أيضًا إطارًا عمليًا للتكيف مع المهام المختلفة التي تعتمد على الشبكات النابضة، مما يعزز من قدرة الأنظمة على التكيف مع المهام المتنوعة في الذكاء الاصطناعي.