時間ステップの縮小：スパイキングニューラルネットワークを用いた低遅延ニューモルフィック物体認識

ニューモルフィック物体認識におけるスパイキングニューラルネットワーク（SNNs）は、低消費電力のニューモルフィックコンピューティングの基盤となっています。しかし、既存のSNNsは10〜40ステップ以上の時間遅延を必要とするため、物体認識に大きな課題を抱えています。低遅延では、既存のSNNsの性能が大幅に低下します。本研究では、低遅延でのニューモルフィック物体認識を達成しつつ性能を低下させない「縮小型SNN（Shrinking SNN: SSNN）」を提案します。具体的には、SNNsを複数段階に分割し、各段階で徐々に時間ステップを縮小することで、時間冗長性を軽減し、推論遅延を大幅に削減します。時間ステップの縮小过程中、時間変換器が時間スケールを滑らかに変換し、情報の最大限の保存を実現します。さらに、訓練中に複数の早期分類器をSNNに追加することで、代替勾配と真の勾配との間の不一致や勾配消失/爆発問題を緩和し、低遅延時の性能低下を解消します。CIFAR10-DVS, N-Caltech101, DVS-Gestureなどのニューモルフィックデータセットに対する広範な実験により、SSNNはベースライン精度を6.55%〜21.41%向上させることが示されました。データ拡張を行わず平均5ステップのみで、CIFAR10-DVSにおいて73.63%の精度を達成しています。本研究は異種時間スケールを持つSNNを提示し、高性能・低遅延SNN開発への重要な洞察を与えています。