स्पाइकिंग न्यूरल नेटवर्क (SNN) कृत्रिम तंत्रिका नेटवर्क का एक वर्ग है जो पारंपरिक नेटवर्क की तुलना में जैविक न्यूरॉन के व्यवहार का अधिक निकटता से अनुकरण करता है। पारंपरिक कृत्रिम न्यूरॉन के विपरीत, जो हर प्रसार चक्र में एक सतत मान संचारित करते हैं, SNN न्यूरॉन असतत स्पाइक्स, या क्रिया क्षमता, के माध्यम से संवाद करते हैं, जो समय में विशिष्ट क्षणों पर घटित होते हैं। इन स्पाइक्स का सटीक समय प्राथमिक सूचना वाहक के रूप में कार्य करता है, जिससे नेटवर्क अपनी गणनाओं में लौकिक गतिशीलता को शामिल कर पाता है।
एक SNN में, प्रत्येक न्यूरॉन एक झिल्ली क्षमता बनाए रखता है, एक आंतरिक अवस्था जो जुड़े न्यूरॉन से इनपुट स्पाइक्स प्राप्त करने पर बढ़ती और घटती है। जब यह क्षमता एक निर्धारित सीमा तक पहुँचती है, तो न्यूरॉन फायर करता है, जो नीचे के न्यूरॉन को एक स्पाइक भेजता है। फायरिंग के बाद, क्षमता एक निचले मान पर रीसेट हो जाती है। यह घटना-संचालित व्यवहार मानक Deep learning मॉडल में प्रयुक्त सतत सक्रियण फलनों के विपरीत है, जो SNN को Machine learning के भीतर एक विशिष्ट प्रतिमान बनाता है।
सबसे व्यापक रूप से प्रयुक्त स्पाइकिंग न्यूरॉन मॉडल लीकी इंटीग्रेट-एंड-फायर मॉडल है, जो क्षमता को एक अवकल समीकरण के रूप में वर्णित करता है: आगामी स्पाइक्स क्षमता को ऊपर या नीचे धकेलते हैं, जबकि एक लीक पद समय के साथ इसे क्षय करने का कारण बनता है। यदि सीमा पहुँच जाती है, तो न्यूरॉन फायर करता है और क्षमता रीसेट हो जाती है। यह मॉडल जैविक यथार्थता को संगणनात्मक दक्षता के साथ संतुलित करता है, जिससे यह SNN अनुसंधान में एक सामान्य विकल्प बन जाता है।
ऐतिहासिक विकास
स्पाइकिंग न्यूरॉन की जैविक नींव 1952 से है, जब एलन हॉजकिन और एंड्रयू हक्सले ने क्रिया क्षमता की शुरुआत और प्रसार का अपना मॉडल प्रकाशित किया, एक कार्य जिसने बाद में उन्हें नोबेल पुरस्कार दिलाया। बाद के मॉडल, जैसे फिट्ज़ह्यू-नागुमो मॉडल (1961-1962) और हिंदमार्श-रोज़ मॉडल(1984, ने न्यूरोनल गतिशीलता के वर्णन को परिष्कृत किया। लीकी इंटीग्रेट-एंड-फायर मॉडल, इन प्रयासों से व्युत्पन्न, लोकप्रिय बन गया क्योंकि यह हॉजकिन-हक्सले समीकरणों की तुलना में गणना करना आसान है। यद्यपि कृत्रिम स्पाइकिंग नेटवर्क की अवधारणा ने इक्कीसवीं सदी में प्रमुखता प्राप्त की, प्रारंभिक सैद्धांतिक कार्य 1970 के दशक में दिखाई दिया, और 1980 और 1995 के बीच के अध्ययनों ने स्पाइक-आधारित गणना की व्यवहार्यता का समर्थन किया। इन प्रारंभिक प्रयासों का उद्देश्य गैर-एल्गोरिद्मिक, जैविक रूप से प्रेरित सूचना प्रसंस्करण का अनुकरण करना था। 2019 तक, SNN कई कार्यों पर सटीकता में पारंपरिक ANN से पीछे थे, लेकिन यह अंतर कम हो रहा था और कुछ बेंचमार्क पर गायब हो गया था।
सूचना एन्कोडिंग और गणना
तंत्रिका विज्ञान में एक केंद्रीय प्रश्न यह है कि क्या न्यूरॉन फायरिंग दरों के माध्यम से या स्पाइक्स के सटीक समय के माध्यम से संवाद करते हैं। दर-आधारित एन्कोडिंग, जहां आउटपुट स्पाइक्स की औसत आवृत्ति है, पारंपरिक ANN के सतत आउटपुट के अनुरूप है। हालांकि, न्यूरोबायोलॉजिकल साक्ष्य सुझाव देते हैं कि दर-आधारित योजनाएं बहुत तेज़ प्रसंस्करण के लिए जिम्मेदार नहीं हो सकतीं। उदाहरण के लिए, मनुष्य रेटिना से लेकर टेम्पोरल लोब तक क्रमिक परतों में प्रति न्यूरॉन केवल 10 मिलीसेकंड में छवि पहचान कर सकते हैं, एक समय विंडो जो दर-आधारित एन्कोडिंग के लिए बहुत छोटी है। लौकिक कोडिंग, जो सटीक स्पाइक समय का उपयोग करती है, उच्च सूचना क्षमता प्रदान करती है और तेज़ गणना का समर्थन करती है।
SNN सतत समय डोमेन में संचालित होते हैं, इनपुट को असतत मानों के बजाय स्पाइक ट्रेनों के रूप में प्रसंस्करण करते हैं। यह उन्हें स्पेटियोटेम्पोरल डेटा, जैसे वास्तविक-विश्व संवेदी संकेतों, के लिए उपयुक्त बनाता है। वे अक्सर न्यूरॉन को केवल निकटवर्ती न्यूरॉन से जोड़ते हैं, जो कन्वोल्यूशनल फिल्टर के समान है, और वे स्पाइक समय में समय को सीधे एन्कोड करके आवर्तक नेटवर्क की जटिलता से बचते हैं। विभिन्न डिकोडिंग विधियां स्पाइक ट्रेनों को वास्तविक-मूल्यवान आउटपुट में परिवर्तित करती हैं, जिनमें दर कोड, समय-से-पहला-स्पाइक, और अंतर-स्पाइक अंतराल शामिल हैं।
##प्रशिक्षण चुनौतियाँ और दृष्टिकोण
SNN को प्रशिक्षित करना महत्वपूर्ण चुनौतियाँ प्रस्तुत करता है क्योंकि स्पाइक उत्पादन प्रक्रिया अवकलनीय नहीं है। स्पाइक्स की सर्व-या-कुछ प्रकृति का अर्थ है कि सक्रियण फलन का व्युत्पन्न लगभग हर जगह शून्य है, जो बैकप्रोपेगेशन जैसी ग्रेडिएंट-आधारित अनुकूलन विधियों को बाधित करता है। इसने मानक Deep learning तकनीकों के SNN पर अनुप्रयोग को सीमित कर दिया है।
शोधकर्ताओं ने इस बाधा को दूर करने के लिए कई रणनीतियाँ विकसित की हैं। एक दृष्टिकोण जैविक रूप से प्रेरित स्थानीय शिक्षण नियमों का उपयोग करना है, जैसे हेबियन शिक्षण और स्पाइक-टाइमिंग-निर्भर प्लास्टिसिटी(STDP,, जिन्हें वैश्विक ग्रेडिएंट की आवश्यकता नहीं होती। एक अन्य विधि में एक पारंपरिक दर-आधारित नेटवर्क को प्रशिक्षित करना और फिर इसे SNN में परिवर्तित करना शामिल है। एक तीसरा दृष्टिकोण नेटवर्क मॉडल को सुचारू बनाता है ताकि यह सतत रूप से अवकलनीय हो, जबकि एक चौथा सरोगेट ग्रेडिएंट परिभाषित करता है, जो सत्य ग्रेडिएंट के सतत विश्रांति हैं, जो अनुमानित बैकप्रोपेगेशन को सक्षम बनाता है। इन तकनीकों ने SNN प्रदर्शन में सुधार किया है, हालांकि पर्यवेक्षित प्रशिक्षण अभी भी कुछ अनुप्रयोगों में दूसरी-पीढ़ी के नेटवर्क से पीछे है।
##हार्डवेयर और अनुप्रयोग
SNN सैद्धांतिक रूप से संगणनात्मक क्षमता के संदर्भ में पारंपरिक ANN से अधिक शक्तिशाली हैं, लेकिन उनका व्यावहारिक उपयोग उच्च संगणनात्मक लागत और विशेषीकृत हार्डवेयर आवश्यकताओं द्वारा सीमित है। यथार्थवादी न्यूरोनल मॉडल का अनुकरण पारंपरिक नेटवर्क चलाने की तुलना में अधिक महंगा है, और स्पाइक-आधारित गणना अक्सर न्यूरोमॉर्फिक चिप्स की मांग करती है जो घटना-संचालित प्रसंस्करण का समर्थन करती हैं। इन बाधाओं के बावजूद, SNN को एज डिवाइसों में ऊर्जा-कुशल अनुमान, वास्तविक-समय संवेदी प्रसंस्करण, और मस्तिष्क-प्रेरित गणना के लिए खोजा जा रहा है। जैसे-जैसे अनुसंधान आगे बढ़ता है, SNN और पारंपरिक ANN के बीच का अंतर बंद होता जा रहा है, जिससे वे Artificial intelligence में जांच का एक सक्रिय क्षेत्र बन गए हैं।
##बाहरी लिंक