自発的な自己結合（オートアプス）を用いて単一ニューロンからスパイキングニューラルネットワークを再構成する

要旨: スパイキングニューラルネットワーク（SNNs）はニューロモーフィック計算に有望ですが、高性能モデルは依然として、実質的な通信および状態保存コストを伴う密な多層アーキテクチャに依存しています。オートシナプスに着想を得て、単一のリーキー積分発火（LIF）ニューロンと、プロトタイプ学習に基づく学習戦略によってSNNを再構成する枠組みである、時間遅延オートシナプスSNN（TDA-SNN）を提案します。内部の時間的状態を再編することで、TDA-SNNは単一の統一された枠組みの中で、リザーバ、マルチレイヤパーセプトロン（MLP）、および畳み込みのようなスパイキングアーキテクチャを実現できます。連続系列、イベントベース、および画像のベンチマークに関する実験では、リザーバおよびMLPの設定において競争力のある性能が示される一方、畳み込みの結果では明確な空間--時間のトレードオフが明らかになりました。標準的なSNNと比較して、TDA-SNNは極端な単一ニューロン設定における追加の時間遅延という代償を払うものの、ニューロン数と状態メモリを大幅に削減しつつ、ニューロンあたりの情報容量を増大させます。これらの知見は、時間的に多重化された単一ニューロンモデルが、脳に触発された計算のためのコンパクトな計算ユニットとして持つ可能性を示しています。