MAP-SNN: Zuordnung von Spiking-Aktivitäten mit Vielfalt, Anpassungsfähigkeit und Plastizität in bio-plausible Spiking Neural Networks

Spiking Neural Networks (SNNs) gelten als biologisch realistischer und energiesparender, da sie die grundlegenden Mechanismen des menschlichen Gehirns nachahmen. In jüngster Zeit haben SNN-Lernalgorithmen, die auf Backpropagation (BP) basieren und tiefe Lernframeworks nutzen, eine gute Leistung erzielt. Allerdings wird in diesen BP-basierten Ansätzen die biologische Interpretierbarkeit teilweise vernachlässigt. Um biologisch plausiblen, BP-basierten SNNs näherzukommen, berücksichtigen wir bei der Modellierung von Spikes drei zentrale Eigenschaften: Vielfalt, Anpassungsfähigkeit und Plastizität (MAP). In Bezug auf Vielfalt stellen wir ein Multiple-Spike Pattern (MSP) mit mehrfacher Spikesendung vor, um die Robustheit des Modells in diskreten Zeitschritten zu verstärken. Zur Realisierung von Anpassungsfähigkeit integrieren wir Spike Frequency Adaption (SFA) innerhalb des MSP, um die Spiking-Aktivität zu reduzieren und die Effizienz zu steigern. Für Plastizität schlagen wir einen lernbaren konvolutionellen Synapsenansatz vor, der den Spikes-Antwortstrom modelliert, um die Vielfalt der spiking-Neuronen zu erhöhen und die Fähigkeit zur Extraktion zeitlicher Merkmale zu verbessern. Das vorgeschlagene SNN-Modell erreicht wettbewerbsfähige Ergebnisse auf neuromorphen Datensätzen wie N-MNIST und SHD. Zudem zeigen experimentelle Ergebnisse, dass die drei vorgeschlagenen Aspekte entscheidend für die iterative Robustheit, die Spiking-Effizienz und die Fähigkeit zur Extraktion zeitlicher Merkmale sind. Zusammenfassend bietet diese Arbeit einen praktikablen Ansatz für biologisch inspirierte Spiking-Aktivitäten unter Verwendung des MAP-Konzepts und eröffnet eine neue Perspektive für die Integration biologischer Eigenschaften in spiking neural networks.