تعتبر الشبكات العصبية الاصطناعية (ANN) واحدة من أحدث التطورات في مجال الذكاء الاصطناعي، حيث تقدم تمثيلًا دقيقًا للقيم المستمرة. في المقابل، توفر الشبكات العصبية المتفجرة (SNN) معالجة زمنية مدفوعة بالأحداث، إلا أن كلا النموذجين يواجهان تحديات تتعلق بتشفير القيم وديناميكيات التوقيت. في هذا الإطار، تقدم الدراسة نموذجًا جديدًا يعتمد على الشبكة العصبية الموحدة بتعقيد قيم مركبة (UCN)، الذي يجمع بين التنشيط المستمر وتوليد الأحداث المعتمد على الطور من خلال حالة مركبة غير متناظرة.

في نموذج UCN، يتم تشفير قوة الإشارة عبر المقدار، بينما ينظم الطور التطور الزمني الداخلي وإصدار النبضات ذات القيمة. تم تطوير إطار تدريب أساسي يجمع بين خوارزميات التراجع (BP) والتراجع عبر الزمن (BPTT) لتحسين مسارات المقدار والطور بطريقة موحدة. ولتقليل التعقيد الحاسوبي، تم تقديم قاعدة تعلم طور ديناميكي مدفوع بالأحداث (EAPL) كبديل أكثر كفاءة.

تم تقييم النموذج المقترح من خلال تتبع الكائنات وتعلم جاذب لورينز، وأظهرت النتائج أن الشبكة المعتمدة على UCN (UCNN) توفر تعلّمًا فضائيًا زمنيًا دقيقًا ومستقرًا ويمكن تفسيره، مع الحفاظ على حسابات مدفوعة بالأحداث نادرة، مما يجعلها مثالية للتطبيقات العصبية والمحلية للذكاء الاصطناعي.