في عالم الذكاء الاصطناعي، يمكن أن تتعلم الشبكات العصبية نماذج متعددة لتحويل المدخلات إلى مخرجات، إلا أن الثقة في تلك النتائج تحتاج إلى أكثر من مجرد إجابة نهائية صحيحة. فالفيديوهات المحوسبة التي تؤدي إلى هذه النتائج غالبًا ما تكون خفية وغير مرئية. لتجاوز هذا التحدي، قدم الباحثون نموذجًا جديدًا متميزًا تحت اسم "معالج عصبي رمزي" (Symbolic Neural CPU).

يعتمد هذا المعالج على بنية تنفيذية تعلمية معزولة تدمج بين التحكم المتكرر (Recurrent Control) وراوتر عمليات واضح على مجموعة وحدات حسابية منطقية تفاضلية. يتميز هذا النموذج بتقديم مسار كل عملية وإدارة الذاكرة والتفاعلات في كل خطوة تنفيذية، مما يوفر وضوحًا في العمليات المتبعة.

في الاختبارات، أظهر المعالج القائم على 16 عملية أداءً غير مقتطع، حيث أعاد تكرار التنفيذ المرجعي بدقة، بينما احتفظ المعالج المحاكي ذو الثماني بتات بمسار العمليات الرمزية عبر البرامج المكونة من 1000 عملية. وعند تقييم الأداء على أساس إعادة تشغيل نقطية مطابقة، انعدم الانجراف العددي المتبقي، مما يشير إلى أن اختلاط الدلالات بين الحساب المستمر والدلالات منخفضة الدقة هو السبب الجذري للمشكلة.

تتضمن الدراسة مقارنات شاملة بين تقنيات تحكم مختلفة مثل الشبكات العصبية المتكررة (Recurrent Neural Networks) وتحكم التحويل (Transformer)، مما يبرز أهمية متابعة العمليات في مسار التنفيذ القابل للتفتيش. علاوة على ذلك، تم تمديد الواجهة لتشمل ذاكرة القيمة (ValueMemory) ووحدات تحكم هيدروهتزيكية ذات دمج بسيط.

تؤكد هذه النتائج إنشاء إطار عمل يمكن التحقق منه بوضوح لتوفير تنفيذ عصبي قابل للتفسير ومنخفض الدقة وقابل للتحكم. ما يجعل هذا الإنجاز يفتح آفاقًا جديدة للبحث في مجالات الذكاء الاصطناعي والتحكم الذكي.