تعد الشبكات العصبية السعوية (Spiking Neural Networks - SNNs) من الحلول الواعدة في مجالات الاستشعار المستند إلى البيانات، وذلك بفضل قدرتها على معالجة المعلومات بشكل ديناميكي وفعال. ومع ذلك، كانت مشكلة التواصل بين الخلايا العصبية التقليدية (Leaky Integrate-and-Fire - LIF) محصورة في الإشارات الثنائية، مما يضع قيودًا على قدرتها التمثيلية.

هنا يأتي دور ShiftLIF، الذي يُعتبر الجيل الجديد من الخلايا العصبية السعوية متعددة المستويات. يقوم هذا النموذج الثوري بتحويل الجهد القائم في الخلايا العصبية إلى مجموعة من الإشارات السعوية التي تتبع توزيعًا لوغاريتميًا قائمًا على قوى الرقم اثنين. هذا التصميم يتيح تمثيلًا أكثر دقة في نطاق الطاقات الصغيرة، حيث يتم تركيز الجهود العصبية بشكل كثيف.

من الجوانب المثيرة في ShiftLIF هو اعتماده على عمليات التحويل (bit-shift) وجمعها بدلاً من استخدام مضاعفات مكلفة، مما يجعل حسابات الربط خالية من المضاعفات وبسيطة. وبالتالي، يتمتع ShiftLIF بتعبير مستوي أفضل دون التأثير على الكفاءة المستخدمة في الأجهزة.

خضع ShiftLIF للاختبارات على عشرة مجموعات بيانات مختلفة تتعلق بالاستشعار اللاسلكي، والصوتي، والحركي، والبصري. تشير النتائج إلى أن ShiftLIF يتساوى أو يفوق دقة النماذج السابقة من الخلايا العصبية السعوية متعددة المستويات، بينما يبقي استهلاك الطاقة بالقرب من مستويات LIF الثنائية التقليدية.

تظهر هذه النتائج أن ShiftLIF يقدم توازنًا مثاليًا بين الدقة والكفاءة للطاقة في استخدامات الاستشعار المتعدد الوسائط. هل أنتم متحمسون لرؤية كيف سيغير ذلك مجال الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.