في عالم الذكاء الاصطناعي، تلعب التذبذبات والتزامن دورًا أساسيًا لا يمكن تجاهله في عمليات التمثيل والحساب. ولكن، حتى الآن، كانت الأساليب الحالية المستخدمة في التعلم الآلي، والتي تعتمد على ديناميكيات التزامن، مقتصرة على مجالات متخصصة مثل اكتشاف الكائنات، كما تعاني من نقص الإمكانية للتوسع في المهام القياسية مثل الرؤية الحسابية أو التفكير المنطقي.

اليوم، نقدم لكم الشبكة العصبية المتذبذبة وينفري (Winfree Oscillatory Neural Network أو WONN)، وهي معمارية عصبية ديناميكية تعتمد على الديناميكيات العامة لوينفري. تجمع WONN بين التفاعلات المتذبذبة المنظمة التي تتطور على السطح الأسطواني $(S^1)^d$، مع تعميمات من المنحنيات الزمنية والديناميات البنائية.

تمتاز WONN بقدرتها على دمج ميول استقرائية قائمة على الفازة مع آليات تفاعل مرنة وهرمية قابلة للتعلم، سواء من خلال تعيينات ثلاثية الزوايا ثابتة أو شبكات عصبية قابلة للتعلم.

لقد تم تقييم أداء WONN على مجموعة متنوعة من مهام التعرف على الصور والتفكير المعقد، مثل مجموعات بيانات CIFAR وImageNet وMaze-hard وSudoku. وقد أظهرت WONN أداءً تنافسيًا أو متفوقًا مع كفاءة كبيرة في استخدام المعلمات.

ومن المثير للاهتمام، أن WONN تعتبر - حسب علمنا - أول معمارية قائمة على التزامن تقدم أداءً تنافسيًا عند التعامل مع مجموعة بيانات ImageNet-1K. على وجه الخصوص، حققت WONN دقة تصل إلى 80.1% في مجموعة بيانات Maze-hard، باستخدام فقط 1% من معلمات النماذج الحالية الرائدة.

تشير هذه النتائج إلى أن الديناميات المتذبذبة المنظمة توفر بديلاً قابلاً للتوسع وفعالًا من حيث المعلمات مقارنة بالمعماريات العصبية التقليدية.