شبکه عصبی اسپایک (Spiking Neural Network - SNN)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصبی اسپایک (Spiking Neural Network - SNN) :
شبکه عصبی اسپایک (SNN) نسل سوم شبکه های عصبی مصنوعی است که به مغز واقعی نزدیک تر می باشد. برخلاف شبکه های معمولی (مانند MLP) که با مقادیر پیوسته و آنالوگ کار می کنند، در SNN نرون ها با پالس های گسسته (اسپایک) در زمان ارتباط برقرار می کنند. هر نرون پتانسیل غشای خود را تجمیع می کند و هنگامی که به یک آستانه می رسد، یک اسپایک تولید می کند و سپس پتانسیل بازنشانی می شود.
مدل ریاضی رایج برای نرون اسپایک، مدل Integrate-and-Fire (LIF) است. تغییرات پتانسیل غشا
\[ u(t) \]با معادله دیفرانسیل زیر توصیف می شود:
\[ \tau_m \frac{du}{dt} = -u(t) + R I(t) \]که
\[ \tau_m \]ثابت زمانی غشا،
\[ R \]مقاومت، و
\[ I(t) \]جریان ورودی (مجموع اسپایک های دریافتی) است. وقتی
\[ u(t) \]به آستانه
\[ u_{th} \]برسد، یک اسپایک خروجی تولید می شود و
\[ u(t) \]به
\[ u_{rest} \]بازنشانی می شود.
اطلاعات در SNN در زمان (زمان وقوع اسپایک) کدگذاری می شود، نه در دامنه. مثلا هرچه محرک قوی تر باشد، نرخ اسپایک بیشتر است (کدگذاری نرخ) یا زمان اولین اسپایک زودتر است (کدگذاری زمانی).
آموزش SNN چالش برانگیز است زیرا تابع فعال سازی آن غیرمشتق پذیر (ناگهانی) است. روش های آموزش: تبدیل از شبکه های ANN به SNN با تقریب، استفاده از مشتق گیرهای جایگزین (surrogate gradient)، و یادگیری با قاعده های زیست الهام مانند STDP (Spike-Timing-Dependent Plasticity).
مزایای SNN: مصرف انرژی بسیار کم (به دلیل رویداد-محور بودن)، مناسب برای سخت افزارهای نورومورفیک (مانند تراشه های Loihi اینتل)، توانایی پردازش اطلاعات زمانی به طور طبیعی. کاربردها: تشخیص صدا، بینایی کامپیوتر با دوربین های رویداد-محور (event-based cameras)، واسط های مغز و کامپیوتر.
SNNها هنوز در مراحل تحقیقاتی هستند و برای کارهای عمومی به دقت ANNها نمی رسند، اما پتانسیل بالایی برای محاسبات کم مصرف و bio-inspired دارند.
با ظهور هوش مصنوعی سبز و اینترنت اشیا، SNNها مورد توجه بیشتری قرار گرفته اند.
