في عصر تسارع التطورات في مجال الذكاء الاصطناعي، يظهر SpikeMoE كإطار عمل مبتكر مستلهم من طريقة عمل الدماغ البشري. تعتمد هذه التقنية الجديدة على شبكات عصبية من نوع (Spiking Neural Networks) التي تتيح حسابات محركها بناءً على الديناميات الملهمة حيوياً على مستوى الخلايا العصبية.

يتميز SpikeMoE بدمج خبرات دقيقة مع إجراء حسابات شرطية من خلال اختيار الخبراء (Mixture-of-Experts) مما يمكّن النماذج من الأداء المرن والمتكيف.

التحدي الرئيسي يكمن في تصميم آلية اختيار الخبراء استنادًا إلى النشاط النابض، لذا قدم الباحثون جهاز توجيه (Router) مستند إلى منافسة لتحديد أفضل K من الخبراء استنادًا إلى النشاط النابض. يتمتع هذا النموذج بخصائص مميزة مثل التثبيط الجانبي ومرحلة الاستجابة، مما يمنحه القدرة على تحديد النمط الأكثر كفاءة بنجاح.

عند مواجهة المدخلات متعددة الحواس غير المكتملة، زُود SpikeMoE بوحدة نمذجة مفقودة متعددة المراحل، مما يمكّنه من دمج النماذج التجريبية من مجموعة مدخلات معينة مع تمثيلات محددة قابلة للتعلم، لتشكيل تمثيلات مفقودة ومتنوعة.

أظهرت التجارب التي أجريت على معايير الرؤية واللغة والمهام المتعددة، أن SpikeMoE يحقق أداءً متفوقًا بعيدًا عن المعايير التقليدية، متجاوزًا أو مساويًا لأداء الشبكات العصبية الصناعية (ANN) التقليدية، بينما يظل قويًا عبر ظروف مختلفة من عدم وجود مدخلات معينة.

تسليط الضوء على النتائج القوية يوفر دليلاً واضحًا على التوازن المثالي بين الأداء وكفاءة الطاقة، مما يجعل SpikeMoE حلاً واعدًا في مجال الحوسبة الملهمة بالطاقة ودمج الديناميات النبضية مع حسابات الخبراء النادرة.