MAP-SNN : Cartographie des activités spikantes avec multiplicité, adaptabilité et plasticité dans les réseaux neuronaux spikants bio-plausibles

Le réseau neuronal à impulsions (SNN) est considéré comme plus réaliste sur le plan biologique et plus économe en énergie, car il imite le mécanisme fondamental du cerveau humain. Récemment, les algorithmes d’apprentissage des SNN basés sur la rétropropagation (BP), qui exploitent des cadres d’apprentissage profond, ont atteint de bons résultats. Toutefois, la bio-interprétabilité est partiellement négligée dans ces algorithmes basés sur la BP. Dans une perspective de SNNs biologiquement plausibles basés sur la BP, nous considérons trois propriétés fondamentales pour modéliser les activités d’impulsion : la Multiplicité, l’Adaptabilité et la Plasticité (MAP). En ce qui concerne la multiplicité, nous proposons un modèle de motif à multiples impulsions (MSP) permettant une transmission multiple d’impulsions, renforçant ainsi la robustesse du modèle au cours des itérations discrètes. Pour assurer l’adaptabilité, nous introduisons l’Adaptation de Fréquence d’Impulsion (SFA) dans le cadre du MSP, afin de réduire l’activité d’impulsion et d’améliorer l’efficacité. Quant à la plasticité, nous proposons une synapse convolutive entraînable qui modélise le courant de réponse neuronal aux impulsions, permettant d’enrichir la diversité des neurones à impulsions pour une meilleure extraction de caractéristiques temporelles. Le modèle SNN proposé obtient des performances compétitives sur des jeux de données neuromorphiques, notamment N-MNIST et SHD. De plus, les résultats expérimentaux démontrent que les trois aspects proposés jouent un rôle essentiel dans la robustesse itérative, l’efficacité des impulsions et la capacité d’extraction de caractéristiques temporelles. En somme, ce travail propose une approche faisable pour imiter les activités d’impulsion biologiques via le cadre MAP, offrant une nouvelle perspective neuromorphique pour intégrer des caractéristiques biologiques dans les réseaux neuronaux à impulsions.