تشهد التقنيات الحديثة مثل الشبكات العصبية النابضة (Spiking Neural Networks - SNNs) تقدمًا ملحوظًا في مجال الحوسبة العصبية الفعالة من حيث الطاقة. ومع ذلك، لا تزال هذه الشبكات تعاني من مشكلة النسيان الكارثي (catastrophic forgetting) عند تعلم مهام جديدة بشكل متتابع. في محاولة لإيجاد حل لهذه المشكلة، تم استكشاف دمج تجربة التعبئة وإعادة التشغيل (Experience Packing and Replay - EPR) كاستراتيجية فعالة لتحسين التعلم المستمر في SNNs.

الإطار المقدم يجمع بين التطبيع الزمني (Batch Normalization Through Time) وشبكات VGG9 النابضة مع خرائط تنشيط النبض (Spike Activation Maps - SAM). توفر هذه الخرائط تفسيرات قائمة على نشاط النبض يمكن جمعها في خرائط انتباه مكانية لاختيار أكثر أجزاء الصورة أهمية لإعادة التشغيل، عوضًا عن تخزين الصور كاملة.

أظهرت التجارب التي أجريت على مجموعتي بيانات Split CIFAR10 وSplit CIFAR100 أن EPR المدعوم بخريطة SAM يحسن من الدقة في نطاق الذاكرة المقيدة، مما يتيح تقليص الحاجة إلى التخزين بفعالية. هذا التقدم يمثل خطوة هامة نحو جعل الشبكات العصبية النابضة أكثر قوة وكفاءة في معالجة البيانات والسيطرة على نقل المعرفة.

ما رأيكم في هذا التطور؟ نشجعكم على مشاركتنا آراءكم في التعليقات!