Une approche d'apprentissage synergique basée sur le seuil synaptique pour les réseaux de neurones à impulsions

Les réseaux de neurones à impulsions (Spiking Neural Networks, SNNs) ont démontré d'excellentes capacités dans divers scénarios d'intelligence. La plupart des méthodes existantes pour l'entraînement des SNNs sont basées sur le concept de plasticité synaptique ; cependant, l'apprentissage dans le cerveau réel utilise également des mécanismes intrinsèques non synaptiques des neurones. Le seuil d'impulsion des neurones biologiques est une caractéristique neuronale intrinsèque critique qui présente une dynamique riche à l'échelle du milliseconde et a été proposé comme un mécanisme sous-jacent facilitant le traitement de l'information neuronale. Dans cette étude, nous développons une nouvelle approche d'apprentissage synergétique impliquant l'entraînement simultané des poids synaptiques et des seuils d'impulsion dans les SNNs. Les SNNs entraînés avec l'apprentissage synergétique synapse-seuil (Synapse-Threshold Synergistic Learning, STL-SNNs) atteignent des performances significativement supérieures sur divers ensembles de données statiques et néuromorphiques par rapport aux SNNs entraînés avec deux modèles d'apprentissage simples dégénérés. Au cours de l'entraînement, l'approche d'apprentissage synergétique optimise les seuils neuronaux, assurant une transmission stable du signal via des taux de décharge appropriés. Une analyse supplémentaire indique que les STL-SNNs sont robustes face aux données bruyantes et présentent une faible consommation énergétique pour les structures de réseau profond. De plus, les performances des STL-SNN peuvent être encore améliorées en introduisant un cadre décisionnel conjoint généralisé. Dans l'ensemble, nos résultats suggèrent que les synergie biologiquement plausibles entre les mécanismes synaptiques et non synaptiques intrinsèques peuvent offrir une approche prometteuse pour développer des méthodes d'apprentissage SNN hautement efficaces.