스파이킹 뉴럴 네트워크를 위한 시냅스-阚值 협동 학습 접근법 注意：在韩文中，“阈值”通常翻译为“阚值”（임계값），但更常见的翻译是“임계치”。因此，建议使用“임계치”以确保准确性。以下是修正后的翻译： 스파이킹 뉴럴 네트워크를 위한 시냅스-임계치 협동 학습 접근법

스파이킹 뉴럴 네트워크(SNNs)는 다양한 지능형 시나리오에서 우수한 능력을 보여주었습니다. 현재까지의 대부분 SNN 학습 방법은 시냅스 가소성의 개념을 기반으로 하고 있지만, 실제 뇌에서의 학습은 신경세포의 고유한 비시냅스 메커니즘도 활용합니다. 생물학적 신경세포의 스파이크 임계값은 밀리초 단위로 풍부한 동역학을 나타내는 중요한 내재적 신경 특징으로, 신경 정보 처리를 촉진하는 근본적인 메커니즘으로 제안되었습니다. 본 연구에서는 시냅스 가중치와 스파이크 임계값을 동시에 학습하는 새로운 협동 학습 접근법을 개발하였습니다. 이 접근법으로 학습된 SNNs(STL-SNNs)는 두 가지 단일 학습 모델로 학습된 SNNs보다 정적 및 뉴로모픽 데이터셋에서 상당히 우수한 성능을 보입니다. 학습 과정 중 협동 학습 접근법은 적절한 발화율을 통해 네트워크에 안정적인 신호 전송을 제공하기 위해 신경 임계값을 최적화합니다. 추가 분석 결과, STL-SNNs는 노이즈가 있는 데이터에 견고하며 깊은 네트워크 구조에서도 저전력 소비를 나타냈습니다. 또한 일반화된 공동 결정 프레임워크를 도입하면 STL-SNN의 성능이 더욱 향상될 수 있음을 확인하였습니다. 전체적으로 우리의 연구 결과는 시냅스와 내재적 비시냅스 메커니즘 간의 생물학적으로 타당한 협동 관계가 매우 효율적인 SNN 학습 방법 개발에 유망한 접근 방식일 수 있음을 시사합니다.