스파이킹 뉴럴 네트워크(SNNs)는 시공간 정보 처리와 초저전력 이벤트 기반 뉴로모픽 하드웨어를 가능하게 하는 역할을 합니다. 그러나 SNNs는 아직도 전통적인 딥 아티피셜 뉴럴 네트워크(ANNs)와 동일한 성능을 달성하지 못하고 있으며, 이는 훈련 과정에서 복잡한 역학과 미분 불가능한 스파이크 이벤트로 인해 오랜 시간 동안 해결되지 않은 문제입니다. 기존의 SNN 오류 역전파(BP) 방법들은 확장성, 스파이킹 불연속성의 적절한 처리 부족, 그리고 비율 코딩 손실 함수와 계산된 그래디언트 간의 불일치 등의 한계를 가지고 있습니다. 우리는 다층 SNNs를 훈련하기 위한 하이브리드 거시/미시 수준의 역전파(HM2-BP) 알고리즘을 제시합니다. 제안된 스파이크 트레인 수준의 시냅스 후위 전위(S-PSP)는 미시적 수준에서 시간 효과를 정확히 포착합니다. 거시적 수준에서는 비율 코딩 오류가 정의되며, 거시적 및 미시적 수준 모두에서 계산되고 역전파됩니다. 기존 BP 방법들과 달리 HM2-BP는 비율 코딩 손실 함수에 대한 가변 매개변수의 그래디언트를 직접 계산합니다. 우리는 정적 MNIST [14]와 동적 뉴로모픽 N-MNIST [26] 데이터셋을 기반으로 깊은 완전 연결 및 컨벌루션 SNNs를 훈련하여 제안된 HM2-BP 알고리즘을 평가했습니다. HM2-BP는 MNIST와 N-MNIST에 대해 각각 99.49%와 98.88%의 정확도를 달성하며, 기존 SNN BP 알고리즘에서 보고된 최고 성능을 초월하였습니다. 또한, HM2-BP는 EMNIST [3] 데이터셋에서 SNNs 기반으로 가장 높은 정확도를 생성하며, 이전에 SNNs 기반으로 성공적이지 않았던 어려운 시공간 음성 인식 벤치마크인 TI46 코퍼스 [16]의 16명 화자 영어 발음 인식에서도 높은 인식 정확도를 제공합니다. 비동기 스파이킹 스트림 처리 시에도 기존 딥러닝 모델들의 성능을 능가하는 경쟁력을 갖추고 있습니다.