الحساب المعتمد على الذاكرة والتعلم في الشبكات العصبية الدينامية من خلال اللدونة الهيبية

تُعتبر الشبكات العصبية الدينامية (SNNs) أساسًا للعديد من أنظمة الأجهزة العصبية الموفرة للطاقة. على الرغم من التقدم الكبير في أبحاث SNN، إلا أن الشبكات العصبية الاصطناعية لا تزال تفتقر إلى العديد من القدرات الخاصة بنظيراتها البيولوجية. في الأنظمة العصبية البيولوجية، تعتبر الذاكرة مكونًا أساسيًا يمكّن من الاحتفاظ بالمعلومات على مدى واسع من النطاقات الزمنية، يتراوح من مئات الملليseconds إلى سنوات. بينما يُعتقد أن اللدونة الهيبية تلعب دورًا محوريًا في الذاكرة البيولوجية، فقد تم تحليلها حتى الآن بشكل رئيسي في سياق إكمال الأنماط والتعلم غير المشرف عليه في الشبكات العصبية الاصطناعية وSNNs. هنا، نقترح أن اللدونة الهيبية أساسية للحسابات في الأنظمة العصبية الدينامية البيولوجية والاصطناعية. نقدم معمارية جديدة مُعزَّزة بالذاكرة لشبكة SNN، غنية باللدونة المشبكية الهيبية. نوضح أن الإثراء الهيبي يجعل SNNs متعددة الاستخدامات بشكل مدهش من حيث قدراتها الحاسوبية وأيضًا قدرات التعلم. فإنه يحسن من قدراتها في التعميم خارج نطاق التوزيع، والتعلم من ضربة واحدة، وجمع المعلومات عبر الأنماط المختلفة، ومعالجة اللغة، والتعلم القائم على المكافآت. وهذا يقترح أنه يمكن بناء أنظمة عصبية معرفية قوية بناءً على هذا المبدأ.