أظهرت الاتجاهات الحديثة أن الوكلاء المستقلين، مثل المركبات الأرضية المستقلة (AGVs)، والطائرات بدون طيار (UAVs)، والروبوتات المتنقلة، تساهم في تحسين إنتاجية الإنسان في تنفيذ المهام المتنوعة. ومع ذلك، ونظرًا لأن هؤلاء الوكلاء غالبًا ما تعمل ببطاريات محمولة، فهي تتطلب استهلاكًا منخفضًا جدًا للطاقة/القدرة لتحقيق عمر تشغيلي طويل. لمعالجة هذا التحدي، ظهرت الحوسبة العصبية المستوحاة من الأحياء كحل واعد، حيث تُستخدم الشبكات العصبية النبضية (SNNs) لمعالجة النبضات القادمة من الكاميرات القائمة على الأحداث أو تحويل البيانات قبل المعالجة لأداء الحسابات الموزعة بكفاءة. ومع ذلك، فإن دراسات نشر SNN للوكلاء المستقلين لا تزال في مراحلها المبكرة. وبالتالي، لم يتم تحديد مراحل التحسين لتمكين نشر SNN ثلاثية الأبعاد بكفاءة للوكلاء المستقلين بشكل منهجي. بناءً على ذلك، نقترح إطار عمل جديد يُسمى SNN4Agents يتكون من مجموعة من تقنيات التحسين لتصميم الشبكات العصبية النبضية ثلاثية الأبعاد ذات الكفاءة العالية في استهلاك الطاقة والموجهة لتطبيقات الوكلاء المستقلين. يستخدم SNN4Agents تقنيات تقليل الأوزان، وتقليل الخطوات الزمنية، وتقليل نافذة الانتباه لتحسين كفاءة استهلاك الطاقة، وتقليل بصمة الذاكرة، وتحسين زمن المعالجة، مع الحفاظ على مستوى عالٍ من الدقة. في التقييم، نحقق في حالات استخدام التعرف على السيارات القائمة على الأحداث، ونستكشف الموازنة بين الدقة، والزمن، والذاكرة، واستهلاك الطاقة. تظهر النتائج التجريبية أن إطار العمل المقترح يمكن أن يحافظ على دقة عالية (84.12\%) مع توفير في الذاكرة بنسبة 68.75\%، وتسريع بمقدار 3.58 مرة، وتحسين في كفاءة استهلاك الطاقة بمقدار 4.03 مرة مقارنة بالأعمال الرائدة على مجموعة بيانات NCARS، مما يمكّن من نشر SNN ثلاثي الأبعاد عالي الكفاءة في استهلاك الطاقة للوكلاء المستقلين.
الحوسبة العصبية الشكلية، الشبكات العصبية النبضية، الوكلاء المستقلون، بيانات السيارات، المعالج العصبي الشكلي، كفاءة الطاقة.
في السنوات الأخيرة، ازداد الاهتمام بتطبيق الذكاء الاصطناعي العصبي المستوحى من الشبكات العصبية النبضية للوكلاء المستقلين (المعروفين بـ الوكلاء المستقلين المعتمدين على الشبكات العصبية النبضية) بشكل متسارع. السبب هو أن الشبكات العصبية النبضية يمكن أن تقدم دقة عالية بفضل آلية التعلم الفعّالة (Ref\_Rathi\_SNNsurvey\_CSUR23, Ref\_Putra\_SpikeDyn\_DAC21)، وزمن حساب منخفض بفضل ترميز النبضات الفعال (Ref\_Guo\_NeuralCoding\_FNINS21)، واستهلاك طاقة/قدرة منخفض جدًا بفضل العمليات القائمة على النبضات المتفرقة (Ref\_Putra\_FSpiNN\_TCAD20). لتحقيق مثل هذه الأنظمة في الحياة الواقعية، تتطلب القدرات على حل مهام تعلم 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)، أو تجزئة الأجسام (Ref\_Li\_SpiCalib\_arXiv22) من الصور/الفيديوهات. بالإضافة إلى هذه الوظائف، تتطلب الوكلاء المستقلين المعتمدين على الشبكات العصبية النبضية أيضًا (١) بصمة ذاكرة صغيرة لأنها غالبًا ما تُستخدم على منصات أجهزة محدودة الموارد، (٢) استهلاك طاقة/قدرة منخفض للحفاظ على عمر البطارية لأنها غالبًا ما تعمل ببطاريات محمولة، و(٣) إخراج في الوقت الحقيقي بدقة عالية لتوفير قرار سريع (Ref\_Bonnevie\_DynamicEnv\_ICARA21, Ref\_Putra\_lpSpikeCon\_IJCNN22, Ref\_Putra\_TopSpark\_IROS23). لتعظيم فوائد العمليات المتفرقة للشبكات العصبية النبضية، يمكن استخدام البيانات القائمة على الأحداث لأنها توفر تنسيق بيانات متوافق مباشرة لمعالجة الشبكات العصبية النبضية وتقلل من مرحلة المعالجة المسبقة، مثل تحويل البيانات إلى نبضات (مثلاً، بيانات البكسل إلى قطار نبضات) وترميز النبضات. لذلك، يجب أن تأخذ تطويرات الوكلاء المستقلين المعتمدين على الشبكات العصبية النبضية في الاعتبار البيانات القائمة على الأحداث، مثل مجموعة بيانات NCARS (Ref\_Sironi\_HATS\_CVPR18, Ref\_Putra\_NeuromorphicAI4Robotics\_arXiv24, Ref\_Bano\_StudySNNParams\_arXiv24).
``` **ملاحظات حول LaTeX:** - تم تصحيح جميع النسب المئوية في النص من `84.12%` إلى `84.12\%` (وهكذا لباقي القيم) حتى لا تسبب أخطاء في MathJax/LaTeX. - تم الهروب لجميع الشرطات السفلية في مراجع LaTeX داخل `span` مثل `Ref_Rathi_SNNsurvey_CSUR23` إلى `Ref\_Rathi\_SNNsurvey\_CSUR23`، لأن الشرطات السفلية غير المهربة تسبب أخطاء في MathJax. - لا توجد معادلات رياضية أخرى تحتاج تصحيحًا في هذا الجزء من النص. - تم الحفاظ على النص كاملاً دون أي تغيير في الكلمات أو المحتوى. - لا توجد أخطاء LaTeX متبقية في النص.