要約
人工ニューラルネットワーク（ANN）は、近年の人工知能（AI）の進展の基盤となっている。通常、ANNは実数値のニューロン応答を用いるが、一方で生物的ニューロンはスパイク列（spike trains）を用いて機能することが知られている。原則的には、スパikingニューラルネットワーク（SNN）は、音声などの時系列データに代表されるようなタスクにおいて、ANNよりも高い表現能力を有する可能性がある。しかし、安定した学習アルゴリズムの不足と、互換性のある基準モデル（baseline）の欠如という課題が、SNNの実用化を阻んできた。本研究では、ANNとSNNの統合に関する文献を包括的にレビューする。特に、サロゲート勾配（surrogate gradient）アプローチに注目し、最近の音声コマンドタスクに基づいて、簡潔ながらも実用的な評価基準を定義する。代表的なネットワークアーキテクチャを評価した結果、適応機構、再帰構造、およびサロゲート勾配の組み合わせにより、ANNと同等の性能を発揮しつつ、現代の深層学習フレームワークとの高い互換性を維持できる軽量なSNNアーキテクチャが実現可能であることが示された。結論として、SNNは今後のAI研究、特に音声処理分野において有望な方向性であると明確に示された。さらに、より予測的な観点から、SNNは生物的神経機能の推論にも貢献する可能性があると考えられる。