في ظل التطور المستمر في مجال الذكاء الاصطناعي، تتمحور الأبحاث الحديثة حول توفير أطر عمل فعالة وطبيعية في عمليات التعلم. تعتبر الشبكات العصبية المتجددة (Recurrent Neural Networks) التي تعتمد على إشارات النبض (Spiking Neural Networks - SNNs) من الحلول الواعدة التي تسعى لتحقيق كفاءة طاقة أعلى وتحاكي الطريقة التي يعمل بها الدماغ البشري.

ومع ذلك، كان التحدي الأكبر هو كيفية تمكين التعلم القابل للتوسع في هذه النماذج، خاصة في العمارة العميقة التي تحتوي على اتصالات متفرقة. في هذا السياق، تم اقتراح هندسة جديدة تتكون من طبقات متكررة كثيفة موضوعة بعناية مع اتصالات بعيدة المدى، مع الحفاظ على الكفاءة في توجيه البيانات ومرونة الأجهزة.

تسعى هذه الدراسات إلى الاستغناء عن الأساليب التقليدية مثل الانتشار العكسي، حيث تم تقديم إطار تعليمي بيولوجي يجمع بين عدة آليات:
(i) إشارات تعليم قائمة على الفائز يأخذ كل شيء (Winner-Take-All - WTA) في الطبقة الخارجية،
(ii) مسارات التغذية الراجعة العشوائية الثابتة، و
(iii) مجموعات من الخلايا العصبية القليلة الأبعاد التي تتحكم في تحديثات التشابك العصبي.

يساعد هذا التصميم في تعزيز الحوسبة المتكررة العميقة مع الحفاظ على التواصل العالمي المتفرق وتحديثات التشابك العصبي المحلية فقط، مما يفتح آفاق جديدة للتعلم الفعال والموفر للطاقة.

عند تحليل الخصائص الخوارزمية وتعقيد الحوسبة، أثبتت النتائج قدرة هذه الأساليب الجديدة على تحقيق استقرار في التعلم ومنافسة على المهام التصنيفية. هذه النتائج تبرز إمكانيات التعلم الديناميكي المدعوم بالبيانات والنماذج العصبية، مما يؤكد أن استخدام تقنيات التعلم القابلة للتوسع يُعد أفضل من الطرق التقليدية المعتمدة على التدرجات.