في عصر يتسم بتسارع تطورات الذكاء الاصطناعي، تبرز أهمية الشبكات العصبية العميقة بشكل متزايد. في دراسة حديثة، قدم الباحثون إطاراً مستوحى من علم الأعصاب لتحليل الشبكات العصبية النابضة (Spiking Neural Networks - SNN) من خلال منظور الاتصال الوظيفي. يركز هذا البحث على كيفية ظهور التمثيلات الداخلية في أنظمة المعالجة الهرمية.

تتطرق الدراسة إلى تكوين مجموعة متصلة وظيفياً من الخلايا العصبية، حيث تعتمد على Correlation الإحصائي بين خلايا عصبية من طبقة مدربة سابقة. ومن خلال هذه المجموعة، يتم تتبع خصائص استجابة الخلايا العصبية خلال عمليات الاستدلال تحت ظروف مختلفة.

تظهر النتائج أن مبادئ الاتصال الوظيفي التي تم ملاحظتها سابقاً في قشرة الدماغ البيولوجية محفوظة في هياكل ResNet النابضة. إذ تُظهر هذه المجموعات (1FC) خصائص مثيرة للاهتمام: القدرة على توقّع استجابات الخلايا العصبية في المرات اللاحقة بشكل موثوق من خلال علاقة إدخال وإخراج مشابهة لتلك الخاصة بالدوال ReLU، حيث تزداد هذه العلاقة بشكل منهجي مع زيادة حجم المجموعة.

من المثير للاهتمام أن الترميز الموثوق للصنف المعروض يظهر فقط خلال أحداث الإطلاق المشترك (cofiring) العالية لهذه المجموعات، والتي تحدث بشكل نادر، مما يشير إلى تركيز التمثيلات الهامة في أنماط النشاط المتناسق ولكن النادرة. ومع وجود ضوضاء عشوائية أو اضطرابات معادية، يحدث اضطراب في هذه الأنماط الاستجابية، خاصة في الطبقات المبكرة والمتوسطة.

تؤكد الدراسة أيضاً على أن هيكل الاتصال الوظيفي يتشكل من خلال التعلم، وأن هذا الهيكل ينكسر تحت تبديل الوزن، مما يثبت أن مجموعات (1FC) تشكل مادة ذات دلالة وظيفية لترميز المدخلات ونقل المعلومات، مما قد يفتح آفاقًا جديدة لتصميم تشخيصات متخصصة دقيقة حول تدفق المعلومات.