محققان در دستاورد جدیدی به سراغ حل یکی از بزرگترین چالشهای «شبکههای عصبی ضربهای» (SNNs) رفتهاند؛ یعنی محدودیت شدید حافظه هنگام آموزش مدلهای پیوسته-زمان.
فریمورک نوآورانه DSTD (گسستهسازی زمانیِ دیفرانسیلپذیر) با تبدیل پیکهای نامنظم به رویدادهای وزندار در فواصل زمانی ثابت، توانسته است:
✅ مصرف حافظه را تا ۱۰۰ برابر کاهش دهد.
✅ زمان آموزش را به طرز چشمگیری بهبود ببخشد.
✅ پردازش خطلولهای (pipeline) را برای مدلهای عصبی ممکن کند.
این پیشرفت نه تنها گام بزرگی برای هوش مصنوعیِ کارآمدتر است، بلکه دریچهای تازه به سوی سختافزارهای نورومورفیکِ فوقسریع باز میکند. 🚀
منبع: arXiv Machine Learning