Spiking Neuronové Sítě

Abstract

Spiking neuronové sítě (SNN) představují třetí generaci neuronových modelů inspirovaných komunikací biologických neuronů pomocí jednotlivých výbojů. Na rozdíl od klasických neuronových sítí zpracovávají SNN informace pomocí diskrétních impulzů, což umožňuje realističtější a energeticky úspornější výpočty. Tato práce se zabývá teoretickými základy spikingových modelů se zaměřením na typy neuronů jako Leaky Integrate-and-Fire, Izhikevich a Hodgkin-Huxley. Dále je popsána metoda učení závislá na časování výbojů (STDP) jako biologicky věrohodné pravidlo učení. Několik modelů SNN bylo implementováno pomocí volně přístupných knihoven a testováno na datové sadě MNIST. Výsledky ukazují schopnost těchto sítí učit se vzory způsobem učení bez učitele a dosahovat konkurenceschopné klasifikační přesnosti. Práce potvrzuje potenciál SNN pro budoucí využití v neuromorfních a AI aplikacích pracujících v reálném čase.

Spiking Neural Networks (SNNs) represent the third generation of neural models, inspired by the spike-based communication of biological neurons. Unlike conventional neural networks, SNNs process information using discrete spikes, enabling more realistic and energy-efficient computation. This thesis explores the theoretical foundations of spiking models, focusing on neuron types such as Leaky Integrate-and-Fire, Izhikevich, and Hodgkin-Huxley. It also discusses spike-timing-dependent plasticity (STDP) as a biologically plausible learning rule. Several SNN models are implemented using open-source frameworks and tested on the MNIST dataset. Results highlight the capability of SNNs to learn patterns in an unsupervised manner and achieve competitive classification performance. The work demonstrates the promise of SNNs for future neuromorphic and real-time AI applications.