في عالم الذكاء الاصطناعي المتقدم، تتجه الأنظار نحو الشبكات العصبية المتفجرة (Spiking Neural Networks - SNNs) كخيار واعد لتوفير حلول حوسبة فعّالة من حيث الطاقة، مستلهمة من طريقة عمل الدماغ. رغم الأمل الكبير، تواجه هذه التكنولوجيا تحديات تتعلق بنقص النظم السريعة والوصول الشامل لمعالجة هذه الشبكات.

في تقرير حديث، تم تقديم SuperNeuroMAT، وهو محاكي مفتوح المصدر يستند إلى بايثون، وهو مصمم ليكون قابلًا للتوسع وفعالًا بشكل استثنائي. يعتمد SuperNeuroMAT على منهج مبتكر قائم على المصفوفات لنمذجة ديناميكيات الخلايا العصبية التي تعمل بنمط التسرب والخروج (Leaky Integrate-and-Fire - LIF)، ويقدم دعمًا لمحاكاة موثوقة في وضع التنفيذ الكثيف والرفيع.

ما يميّز SuperNeuroMAT هو قدرته على محاكاة أكثر من 10,000 خلية عصبية في الوضع الكثيف و100,000 خلية عصبية في الوضع الرفيع، كل ذلك عبر أجهزة الكمبيوتر المحمولة والمكتبية القياسية دون الحاجة لمعدات متخصصة. لقد أثبت SuperNeuroMAT تفوقه باستمرار على أربعة محاكيات معروفة للشبكات العصبية المتفجرة، مثل NEST وBrian2 وBindsNET وsnnTorch، وفقًا لمعيارين أساسيين: سرعة التنفيذ وذاكرة الضياع القصوى، وتنوع الأحجام الشبكية واحتمالات الاتصال.

ولإثبات فعاليته عبر مجموعة متنوعة من التحديات، يمكن لـ SuperNeuroMAT التعامل بكفاءة مع معايير التعلم الآلي التقليدية مثل بيانات الأرقام وبيانات الشبكات الاستشهادية، بالإضافة إلى المهام المتعلقة بالرؤية القائمة على الأحداث النيورومورفكية. وقد تم إثبات المزيد من المرونة من خلال تنفيذ خوارزمية أقصر مسار النيورومورفكية وعمليتين حسابيتين (الجمع والضرب).

تسهّل إمكانية تثبيت SuperNeuroMAT عبر سجل بايثون للحزم (Python Package Index - PyPI) الولوج إلى ميدان الحوسبة النيورومورفكية، مما يسهل على المطورين البدء في رحلتهم البحثية ويعزز تطوير الخوارزميات في هذا المجال.