Asynchronous spiking neural networks: paradigma generale e applicazioni

Nelle Spiking Neural Networks (SNNs) l’attività neurale è rappresentata da spike events generati da firing neurons. Il problema di base nella realizzazione di SNNs realistiche, concerne i tempi di arrivo apparentemente casuali dei segnali sinaptici. In letteratura tecnica sono stati proposti molti metodi al fine di desincronizzare opportunamente le sequenze di spikes prodotte; tra le soluzioni biologicamente plausibili alcuni di essi considerano i tempi di transito lungo assoni o sinapsi, mentre un differente approccio introduce il fenomeno della spike latency, proprietà del neurone dipendente dalle dinamiche interne. Prendendo in considerazione gli effetti legati allo stato del neurone, infatti, conseguentemente al raggiungimento di condizioni opportune, la effettiva generazione dello spike non avviene istantaneamente, ma dopo un certo intervallo, parecchio variabile nei differenti casi, perlopiù in una immagine continua. SNNs che contemplano tali effetti, sono in grado di generare sequenze di spike con tempi di delay molto sensibili a piccole variazioni dello stato interno, variabili in insiemi resi continui dai fenomeni desincronizzanti. In questo lavoro viene presa in considerazione la spike latency come effetto de-sincronizzante significativo per la simulazione di SNNs realistiche. Considerando ora un approccio time-step based, va da se che per realizzare simulazioni affidabili vengano richiesti intervalli di campionamento molto piccoli. Al diminuire degli intervalli di campionamento, i processi di simulazione divengono molto più lenti, a volte improponibili con la tecnologia oggi a nostra disposizione, ed il fenomeno parassita di clusterizzazione degli eventi, usando tale approccio, è comunque ineliminabile. Un approccio event-driven based, in questo scenario di attività sparsa e di alta sensibilità a piccole variazioni, è in grado di eliminare tali difficoltà, in quanto risulta molto più compatibile con la natura continua dei processi biologici, e la simulazione può essere agevolmente operata coinvolgendo sequenze di spikes molto più grandi. Tale classe di SNNs rappresenta un innovativo paradigma di simulazione in quanto il tempo è considerato come una variabile continua perché è al più limitato dalla precisione ottenibile dal tipo di variabile implementata. Le proprietà che ne derivano conferiscono al sistema un gran numero di vantaggi che si traducono nella possibilità di simulare reti di grandi dimensioni in modo semplice, veloce e con una stretta fedeltà al caso reale.