في عالم الذكاء الاصطناعي، يُعتبر بحث هندسة الشبكات العصبية (Neural Architecture Search - NAS) أحد أبرز المواضيع التي أثارت اهتمام الباحثين. يتمثل التحدي الأساسي في تحسين الهيكل الشبكي في خفض تكاليف العمليات الحسابية بينما نحقق نتائج دقيقة وموثوقة. يقدّم البحث الجديد طرقًا مبتكرة تعتمد على تحسين ثنائي المستوى، حيث يغطي نطاق واسع من الهياكل، مثل الشبكات العصبية متعددة الطبقات (MLPs) والشبكات الالتفافية (CNNs) والشبكات التكرارية (RNNs) ومحولات (Transformers).

تقدم الدراسة ثلاث صيغ متطورة تعيد تشكيل القرارات المتعلقة بالخلية العصبية ونمط النشاط من خلال استخدام التقنيات المستمرة، مما يقلل من التعقيد المرتبط بالأبعاد الكبيرة للبحث. تمكّن هذه الصيغ من تطوير ثلاثة أساليب جديدة لنمذجة هندسة الشبكات العصبية:
1. **NAS القائم على Neuron Gating (NAS-NG)**
2. **NAS القائم على Mixed Activation (NAS-MA)**
3. **NAS القائم على Neuron Gating و Mixed Activation (NAS-NGMA)**

تظهر الدراسات التجريبية أن الأساليب المطورة، مثل NAS-NGMA، تحقق دقة تبلغ 98.68% مع 7.69 مليون معلمة في النموذج. بينما يحقق NAS-NG 99.63% بدقة مع 0.26 مليون معلمة فقط على مجموعة بيانات (CIFAR-10).

تؤكد النتائج أن استخدام تحسين ثنائي المستوى المبسط يمثل بديلًا قابلاً للتطوير للطرق التقليدية، مما يسهل عملية تصميم الشبكات العصبية بفعالية كبيرة. من خلال هذه التطورات المبتكرة، يتقدم مجال الذكاء الاصطناعي نحو آفاق جديدة في دراسات وتطبيقات الشبكات العصبية.