非線形回帰のためのスパイキングニューラルネットワーク

スパイキングニューラルネットワーク（SNN）は、第三世代のニューラルネットワークとも呼ばれ、従来の第二世代ニューラルネットワークに対して、大幅なメモリとエネルギー消費の削減の可能性を持っています。人間の脳の驚異的な効率に触発され、時間的および神経的スパース性を導入し、次世代の神経形態学的ハードウェアによって活用できます。エネルギー効率は、構造健康モニタリングのような多くの工学応用において重要な役割を果たします。工学的文脈での機械学習、特にデータ駆動の力学では回帰に焦点を当てています。SNNによる回帰はすでにさまざまな出版物で議論されていますが、本稿ではその精度とエネルギー効率に関する新しい定式化を提供します。特に、スパイキングニューロンの膜電位を使用して、バイナリスパイク列を実数にデコードするためのネットワークトポロジが導入されます。単純なスパイキングフィードフォワードから複雑なスパイキング長短期記憶ニューラルネットワークまで、さまざまなスパイキングニューラルアーキテクチャが導出されます。提案されたアーキテクチャには密な層が含まれていないため、エネルギー効率の点でSNNの潜在能力を最大限に活用します。同時に、提案されたSNNアーキテクチャの精度は、異なる材料モデルという数値例によって示されています。線形および非線形、さらには履歴依存の材料モデルが検証されています。本稿は機械的な例に焦点を当てていますが、興味のある読者は公開されたソースコードを適応させることで任意のカスタム関数を回帰することができます。