في خطوة مبتكرة تعيد تشكيل مفاهيم الشبكات العصبية، كشف الباحثون عن طريقة جديدة لتمكين الشبكات العميقة من استخدام بوابات منطقية قابلة للتدريب بالكامل (Fully Trainable Logic Gate Networks) إضافةً إلى شبكة جدولة الأقراص (Lookup Table Networks). تقدم هذه الطريقة تحسينًا ملحوظًا في دقة الشبكة مع تقليل كبير في عدد البوابات المطلوبة.

تعتمد هذه الطريقة على توزيع احتمالي حول مجموعة من الاتصالات، مما يتيح لكل بوابة اختيار الاتصال الأكثر فعالية. هذا المنهج يمكن الشبكات من تعلم الأنواع المثلى من البوابات والمدخلات في وقت واحد. النتائج التي تم تحقيقها أظهرت أن الشبكات المحسّنة ومتغيرة الاتصالات تفوقت على الشبكات الثابتة التقليدية، محققة دقة تصل إلى 98.92% على مجموعة بيانات MNIST مع استخدام طبقتين فقط من 8000 بوابة.

بفضل استخدام معدل تعلم مرتفع وتقنيات تقديرية مستقيمة، تم ضمان استقرار التدريب حتى عشر طبقات. كما تم تقديم وصف لنيوترون LUT، مما يسمح بتدريب مستقر مع استخدام الخوارزميات التراجعية، مع اختبار يصل إلى شبكات عميقة بعمق 6 طبقات. الأرقام تتحدث عن نفسها؛ فالخوارزمية تستخدم أربع مرات أقل من المعلمات القابلة للتدريب بينما تحقق دقة أعلى مقارنة بخوارزمية التدريب التقليدية.

هذا الابتكار لا يقتصر على الشبكات العصبية التقليدية، بل يمتد أيضًا إلى الشبكات الناشئة مثل لوتس، مما يجعلها قابلة للتطبيق في مجالات جديدة ومتنوعة. هل سيكون لهذا البحث تأثير عميق على مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.