محققان در پژوهشی جدید، چارچوب نوآورانهای به نام «MetaNCA» معرفی کردهاند که یادگیری مدلهای عصبی را متحول میکند. برخلاف روشهای سنتی که به پسانتشار (Backpropagation) وابسته هستند، این مدل با الهام از فرآیندهای زیستی و تعاملات محلی، میتواند وزنهای شبکههای عصبی را بهصورت خودسازماندهنده (Self-organizing) تغییر دهد.
نکات کلیدی این دستاورد:
🔹 استفاده از «ترنسفورمر وزنی» (Weight Transformer) برای تحلیل سیگنالهای محلی.
🔹 قابلیت تولید معماریهای متنوع شبکه (مثل CNN و ResNet) بدون نیاز به آموزش مستقیم.
🔹 پایداری بالا در مقیاسهای بزرگ (تا ۲ میلیون پارامتر).
🔹 توانایی تعمیمپذیری به معماریهایی که قبلاً در فاز آموزش ندیده بودند.
این تحقیق گامی بلند در جهت مدلهایی است که با الهام از ساختارهای عصبی زنده، یادگیری منعطفتر و هوشمندتری را تجربه میکنند.
منبع: arXiv Machine Learning
