スパikingニューラルネットワークの系統的評価のためのハイデルベルクスパikingデータセット

スパイキングニューラルネットワークは、脳における多様かつエネルギー効率の高い情報処理の基盤をなしている。現在のところ、これらのネットワークがどのように計算を行うかについての詳細な理解は得られていないが、最近開発された最適化手法により、より複雑な機能を持つスパイキングニューラルネットワークをシミュレーション上に実装することが可能になってきている。こうした手法は、非フォン・ノイマン型の効率的な計算ハードウェアの構築を可能にし、脳回路の機能解明という研究分野において新たな視座を提供するものと期待されている。このような手法の開発を加速するためには、性能を客観的に比較するための手段が不可欠である。しかし現状では、スパイキングニューラルネットワークの計算性能を比較するための広く受け入れられた基準は存在しない。この問題に対処するために、本研究では、ソフトウェアおよびニューロモルフィックハードウェアにおけるスパイキングニューラルネットワークの実装を評価するための、広く適用可能な2つのスパイクベース分類データセットを提案する。この目的のため、神経生理学を参考にした一般的な音声からスパイクへの変換手順を開発した。さらに、既存の音声データセットおよび新しく開発した音声データセットの両方にこの変換手法を適用した。後者のデータセットは、本研究のために特化して作成された、フリーで高精細かつ単語レベルで同期されたハイデルベルク数字データセット（Heidelberg digit dataset）である。従来の分類器とスパイキング分類器の両方を用いた学習実験を通じて、これらのデータセットにおいてスパイクのタイミング情報を活用することが、高い分類精度を達成する上で不可欠であることを示した。本研究の結果は、今後のスパイキングニューラルネットワークの性能比較のための初の基準となるものである。