في عالم الذكاء الاصطناعي، تطورت الشبكات العصبية بشكل مذهل، وأصبحت الشبكات العصبية النابضة (SNNs) تمثل خطوة هامة نحو الحوسبة القائمة على الأحداث.

لكن، على الرغم من التقدم، فإن تنفيذ هذه الشبكات في بيئات ذات دقة منخفضة لم يكتمل بعد، إذ أن حفظ الحالات الذاكرة المتكررة بشكل متكرر في شكل عائم يعد تحدياً كبيراً.

لذا، جاءت فكرة PTQ4SNN، وهو إطار عمل مبتكر يهدف إلى تقليل بت الذاكرة المتكررة مع الأخذ بعين الاعتبار الفروق في التوزيع بين القنوات. يعتمد PTQ4SNN على مجموعة صغيرة من بيانات المعايرة، مما يجعله فعالاً وسهل الاستخدام.

يعتمد النظام على جسر موحد مقيد يقوّيم مقياس الذاكرة بما يتناسب مع توزيعها، مما يعزز دقة القياس أثناء تحليل بيانات الشحن. كما تعمل تقنية توزيع بت الدقة المختلطة على تحسين أداء الذاكرة من خلال تخصيص دقة 2/4/8 بت وفقاً لنشاط إطلاق النار وحساسية الكوانتيزايشن (quantization).

جمعت التجارب التي أجريت على التصنيف الثابت والمرن، فضلاً عن تقسيم الدلالات، بين قدرات PTQ4SNN، ليظهر أن فعاليته تُبقي دقة النموذج حتى مع تحقيق بنسبة بت W4 ودقة ذاكرة تقارب 4 بت.

تجلت فوائد PTQ4SNN على نحو خاص لدى نموذج الهياكل القابلة لإعادة الاستخدام مثل شبكة LIF، حيث تضمن عدم الحاجة لإعادة تدريب الهيكلية بأكملها.

إن PTQ4SNN يُعتبر أحد أهم الحلول في تصعيد أداء الشبكات العصبية النابضة ويُعيد تشكيل مستقبلها في العديد من التطبيقات، سواء كانت في الرؤية الحاسوبية أو تحليل البيانات المعقدة.
ما هي رؤيتك حول هذه الابتكارات في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات!