في عالم الحسابات العصبية، برزت الشبكات العصبية المتفجرة (Spiking Neural Networks - SNNs) كأداة قوية تُظهر قدرات تعلم وتمثيل تتميز بالكفاءة في النماذج العميقة. ومع النجاحات المذهلة التي حققتها نماذج ResNet في مجال التعلم العميق، كان من البديهي السعي نحو تدريب SNNs العميقة باستخدام أساليب التعلم المتبقية.

ومع ذلك، لا تزال الهياكل الحالية للتعلم المتبقي تواجه تحديات تتعلق بتكرار الإشارات أو فقدان المعلومات، بالإضافة إلى التعلم الزائد. في هذا الصدد، تسعى الدراسة الحديثة إلى معالجة مشكلات تكرار الإشارات النسبية في الربط الهووي (identity mapping) وفقدان المعلومات في الربط غير الهووي (non-identity mapping).

لتحقيق ذلك، تم اقتراح اتصال مختصر يسمى OR-ADD (OA) يدمج النبضات الناتجة من فرعين مختلفين في الهيكل المتبقي. ولتخفيف ظاهرة التعلم الزائد في الفرع الأساسي، يتم تقديم مفهوم الربط المنطقي الحصري (XOR) لتحديد المتبقيات المسبقة التعليمية.

من خلال دمج هذا الاتصال المختصر مع مكونات XOR، تم تصميم كتلة XOR المتبقية، وتم بناء نموذج XOResNet بمستويات عمق مختلفة بناءً على هذه الكتلة.

أظهرت التجارب الواسعة على أربعة مجموعات بيانات، وهي Fashion-MNIST وCIFAR-10 وCIFAR-100 وminiImageNet، أن XOResNet يتفوق على نماذج SNNs العميقة الحالية التي تم تحسينها بواسطة الانحدار التعديلي (Gradient Descent). تؤكد هذه النتائج على فعالية مكونات OA وXOR meta-residuals في التغلب على القيود الأساسية للتعلم المتبقي في SNNs، مما يوفر رؤى هيكلية جديدة لبناء نظم عصبية عالية الأداء.