挑戦的な時系列タスクに適用可能な、ロバストかつ高速化された単発スパイクを用いたスパイクニューラルネットワークの学習

スパイキングニューラルネットワーク（SNN）のうち、ニューロンが最大一度しかスパイクを発しない「シングルスパイク型」は、従来の人工ニューラルネットワーク（ANN）と比較して著しくエネルギー効率が優れている。しかし、シングルスパイクSNNはその動的かつ微分不可能な性質から、トレーニングが困難であり、現存する手法はいずれも遅い、あるいはトレーニングの不安定性を引き起こすという課題を抱えている。また、時間系列データセットへの適用が不適切であるなど、計算上の応用範囲が限られているとの批判もなされている。本研究では、上記のトレーニング上の課題を緩和し、さまざまな画像およびニューロモルフィックデータセットにおいて競争力のある性能を達成する新しいシングルスパイクSNNのトレーニングモデルを提案する。本手法は、マルチスパイクSNNと比較して、最大13.98倍のトレーニング速度向上と、最大81％のスパイク数削減を実現した。特に、ニューロモルフィック時間系列データセットを用いた困難なタスクにおいても、マルチスパイクSNNと同等の性能を発揮し、シングルスパイクSNNが従来の認識よりも広範な計算的役割を果たしうることを示している。