스파이킹 신경망의 학습을 향상시키기 위한 학습 가능한 막 시간 상수 통합

스파이킹 신경망(SNN)은 시간 정보 처리 능력, 낮은 전력 소모, 높은 생물학적 타당성으로 인해 엄청난 연구 관심을 받고 있습니다. 그러나 SNN을 위한 효율적이고 고성능의 학습 알고리즘을 구성하는 것은 여전히 도전 과제입니다. 기존의 대부분 학습 방법은 가중치만 학습하고 단일 스파이킹 뉴런의 역학을 결정하는 막 관련 매개변수를 수동으로 조정해야 합니다. 이러한 매개변수는 일반적으로 모든 뉴런에 대해 동일하게 선택되며, 이는 뉴런의 다양성을 제한하고 결과적으로 SNN의 표현력을 감소시킵니다. 본 논문에서는 막 관련 매개변수가 뇌의 여러 지역에서 다르다는 관찰에서 영감을 받아, 시냅스 가중치뿐만 아니라 SNN의 막 시간 상수를 학습할 수 있는 훈련 알고리즘을 제안합니다. 우리는 학습 가능한 막 시간 상수를 통합함으로써 네트워크가 초기 값에 덜 민감해지고 학습 속도를 높일 수 있음을 보여줍니다. 또한, 우리는 SNN에서 풀링 방법을 재평가하고, 최대 풀링이 중요한 정보 손실을 초래하지 않으며 낮은 계산 비용과 이진 호환성의 장점을 가지고 있음을 발견합니다. 우리는 전통적인 정적 MNIST, Fashion-MNIST, CIFAR-10 데이터 세트와 신경형 N-MNIST, CIFAR10-DVS, DVS128 제스처 데이터 세트에 대한 이미지 분류 작업에 대해 제안된 방법을 평가합니다. 실험 결과는 제안된 방법이 거의 모든 데이터 세트에서 최첨단 정확도를 초과하며 더 적은 시간 단계만을 사용함을 보여줍니다. 우리의 코드는 https://github.com/fangwei123456/Parametric-Leaky-Integrate-and-Fire-Spiking-Neuron에서 이용 가능합니다.