تُظهِر الاتجاهات الحديثة أنّ الوكلاء المستقلّين، مثل المركبات الأرضية الذاتية (AGVs)، والطائرات المُسيّرة (UAVs)، والروبوتات المتنقّلة، تُسهم في تعزيز إنتاجيّة الإنسان عند تنفيذ مهام متنوّعة. ومع ذلك، ونظرًا لأنّ هذه الوكلاء تعمل غالبًا ببطّاريات محمولة، فهي تحتاج إلى استهلاك منخفض جدًّا للطاقة (القدرة) من أجل تحقيق عمر تشغيلي طويل. لمعالجة هذا التحدّي، برزت الحوسبة العصبية الشكليّة كحلّ واعد، حيث تُستخدَم الشبكات العصبية النبضيّة (SNNs) إمّا لمعالجة النبضات الواردة مباشرةً من الكاميرات القائمة على الأحداث (الحدثيّة)، أو بعد تحويل البيانات مسبقًا إلى تمثيلات نبضيّة، وذلك لأداء حوسبة متفرّقة بكفاءة عالية. ومع أنّ نشر SNN للوكلاء المستقلّين يشهد اهتمامًا متزايدًا، فإنّ الدراسات في هذا الاتجاه لا تزال في مراحلها الأولى. وبناءً على ذلك، لم تُحدَّد بعدُ، بصورة منهجيّة، مراحلُ التحسين اللازمة لتمكين نشر SNN ثلاثية الأبعاد بكفاءة لدى الوكلاء المستقلّين.
انطلاقًا ممّا سبق، نقترح إطار عمل جديدًا يُسمّى SNN4Agents، يضمّ مجموعةً من تقنيات التحسين لتصميم شبكات عصبية نبضيّة ثلاثية الأبعاد عالية الكفاءة طاقيًّا وموجّهةٍ لتطبيقات الوكلاء المستقلّين. يُوظّف SNN4Agents تقنياتِ تنقيصِ الأوزان، وخفضَ عددِ الخطوات الزمنية، وتقليصَ نافذةِ الانتباه، بغرض تحسين كفاءة استهلاك الطاقة، وتقليل البصمة الذاكرية، وتحسين كمون التنفيذ، مع الحفاظ على مستوى عالٍ من الدقّة. في تقييمنا، ندرس حالات استخدام التعرّف على السيارات القائم على الأحداث، ونستكشف الموازنة بين الدقّة والكمون والذاكرة واستهلاك الطاقة. وتُظهر النتائج التجريبية أنّ إطار العمل المقترَح يحافظ على دقّة مرتفعة (84.12\%) مع توفيرٍ في الذاكرة بنسبة 68.75\%، وتسريعٍ بمقدار 3.58 مرّة، وتحسينٍ في كفاءة استهلاك الطاقة بمقدار 4.03 مرّة، وذلك مقارنةً بأفضل الأساليب الرائدة على مجموعة بيانات NCARS، ممّا يُمكّن من نشر SNN ثلاثية الأبعاد عالية الكفاءة طاقيًّا للوكلاء المستقلّين.
حوسبة عصبية شكليّة، شبكات عصبية نبضيّة، وكلاء مستقلّون، بيانات سيارات قائمة على الأحداث، معالج عصبي شكلي، كفاءة الطاقة.
في السنوات الأخيرة، تسارع الاهتمام بتطبيق الذكاء الاصطناعي العصبي المستند إلى الشبكات العصبية النبضيّة لدى الوكلاء المستقلّين (ويُشار إليهم اختصارًا هنا بـ الوكلاء المستقلّين المعتمدين على الشبكات العصبية النبضيّة). ويعود ذلك إلى أنّ هذه الشبكات قادرة على تحقيق دقّة مرتفعة بفضل آليات تعلّم فعّالة (Ref\_Rathi\_SNNsurvey\_CSUR23, Ref\_Putra\_SpikeDyn\_DAC21)، وكمونٍ حوسبي منخفض بفضل ترميزٍ نبضيٍّ كفء (Ref\_Guo\_NeuralCoding\_FNINS21)، وانخفاضٍ كبير في استهلاك الطاقة بفضل العمليات المتفرّقة المعتمِدة على النبضات (Ref\_Putra\_FSpiNN\_TCAD20). ولتحقيق مثل هذه الأنظمة في الواقع العملي، لا بدّ من امتلاك القدرة على حلّ مهام تعلّم الآلة مثل تصنيف الصور (Ref\_Putra\_SparkXD\_DAC21, Ref\_Putra\_EnforceSNN\_FNINS22, Ref\_Putra\_RescueSNN\_FNINS23)، وكشف الأجسام (Ref\_Viale\_CarSNN\_IJCNN21, Ref\_Cordone\_ObjDetSNN\_IJCNN22)، وتجزئتها (Ref\_Li\_SpiCalib\_arXiv22) انطلاقًا من الصور ومقاطع الفيديو.
إضافةً إلى ذلك، يحتاج الوكلاء المستقلّون المعتمدون على الشبكات العصبية النبضيّة إلى: (١) بصمة ذاكرة صغيرة نظرًا لاستخدامهم غالبًا على منصّات عتادية محدودة الموارد، (٢) انخفاضٍ في استهلاك الطاقة للحفاظ على عمر البطّارية نظرًا لاعتمادهم عادةً على بطّاريات محمولة، و(٣) عملٍ في الزمن الحقيقي بدقّة عالية لتمكين اتخاذ قرار سريع (Ref\_Bonnevie\_DynamicEnv\_ICARA21, Ref\_Putra\_lpSpikeCon\_IJCNN22, Ref\_Putra\_TopSpark\_IROS23). ولتعظيم فوائد التفرّد في تشغيل الشبكات العصبية النبضيّة، يمكن الاستفادة من البيانات القائمة على الأحداث؛ إذ توفّر تنسيقًا يتوافق مباشرةً مع معالجة هذه الشبكات وتُقلِّص مرحلة المعالجة المسبقة، مثل تحويل البيانات إلى قطارات نبضيّة (على سبيل المثال، تحويل بيانات البكسل إلى قطارات نبض) وترميز النبضات. وعليه، ينبغي أن يضع تصميمُ وتطويرُ الوكلاء المستقلّين المعتمدين على الشبكات العصبية النبضيّة في الاعتبار البيانات القائمة على الأحداث، مثل مجموعة بيانات NCARS (Ref\_Sironi\_HATS\_CVPR18, Ref\_Putra\_NeuromorphicAI4Robotics\_arXiv24, Ref\_Bano\_StudySNNParams\_arXiv24).