학습 가능한 참조 스파이크가 감독 학습을 통해 SNN의 시간 정보 처리 개선

초록 스파이킹 신경망(SNN)은 생물학적으로 타당한 뉴런으로 구성된 차세대 신경망으로, 스파이크의 연속을 통해 통신합니다. 가중치와 시간 지연을 포함한 SNN의 가소적 매개변수를 수정함으로써, SNN은 다양한 AI 작업을 수행하도록 훈련될 수 있지만, 일반적으로 전형적인 인공 신경망(ANN)과 같은 수준의 성능을 보여주지는 않습니다. SNN의 성능을 향상시키기 위한 한 가지 가능한 솔루션은 가중치와 시간 지연 외에 뇌의 신경계의 고유 복잡성에서 끌어낸 가소적 매개변수를 고려하는 것입니다. 이는 SNN이 정보 처리 능력을 개선하고 뇌와 유사한 기능을 달성하는 데 도움이 될 수 있습니다. 여기서 우리는 SNN의 감독 학습 체계에서 새로운 유형의 가소적 매개변수로서 참조 스파이크를 제안합니다. 뉴런은 입력과 독립적인 참조 정보를 제공하는 시냅스를 통해 참조 스파이크를 수신하여 학습 중에 도움을 주며, 이 스파이크의 수와 타이밍은 오류 역전파에 의해 학습 가능합니다. 이론적으로, 참조 스파이크는 들어오는 스파이크의 통합을 세부적으로 조절하여 SNN의 시간 정보 처리를 개선합니다. 비교 계산 실험을 통해, 우리는 감독 학습을 이용하여 참조 스파이크가 SNN의 메모리 용량을 개선하여 입력 스파이크 패턴을 목표 출력 스파이크 패턴에 매핑하고, 입력과 목표 출력 모두가 시간적으로 인코딩된 MNIST, Fashion-MNIST, 및 SHD 데이터 세트에서 분류 정확도를 증가시킴을 보여줍니다. 우리의 결과는 참조 스파이크를 적용하는 것이 SNN의 시간 정보 처리 능력을 향상시켜 성능을 개선한다는 것을 입증합니다.