Page 48 - 112-2小論文
P. 48
第三代人工智慧 SNN 模型原理解析與前景
圖三：事件相機與神經元
圖三資料來源：Eshraghian, J. k, Ward, M., Neftci, E. o, Wang, X., Lenz, G., Dwivedi, G.,
Bennamoun, M., Jeong, D. seok, & Lu, W. d. (2023). Training Spiking Neural Networks Using Lessons
From Deep Learning. IEEE , 111(9), 1016–1054. https://doi.org/10.1109/JPROC.2023.3308088
事件相機記錄的資料只保有變動信息，而輸入時的噪聲很快在脈衝神經元
被過濾去，因此 SNN 在計算時便可以專注在畫面中變動的事物，而不是像 ANN
模型搭配常規相機需對每一幀畫面的所有像素進行一次計算。就像是生物的感
官對動態事物的畫面、出乎意料的聲音擁有極高的敏感度，接入事件相機的
SNN 模型便展現出了處理影片、音樂等動態信息所需的極低功耗。
生物神經元之間的溝通便是以尖峰序列來進行，因為其信息也是以脈衝與
時間的關係來表達，與 SNN 模型的信息編碼方式相似，且 SNN 動態數據處理
的天生優勢， SNN 模型相較於 ANN 模型在各方面擁有更佳的生物真實性
（二） 穩健性
根據前文得知的稀疏性、尖峰序列的全有全無、以及 IF 模型對弱擾動的不
敏感，筆者可以進一步推測 SNN 具有高穩健性。脈衝的全有全無特性意味著只
有輸入信號超過閾值時神經元才會激發，從而過濾掉低強度的噪聲和無關的信
號。其次，由於 SNN 的稀疏性神經元只在較為關鍵的時刻激發，減少了計算資
源的浪費並提高了對關鍵信息的關注度。此外， IF 模型對弱擾動的不敏感性進
一步加強了 SNN 對外部變化的適應力，即使在輸入數據發生微小變化的情況
下，也能保持穩定的輸出。因此，筆者理所应當地認為 SNN 模型具有高穩健性 ，
而隨後在網上求證果然找到一篇 Song, l., et al. (2021)的文章，驗證了 SNN 模型
具有高穩健性的想法。下表二便是 SNN 模型、 CNN（卷積神經網路， ANN 的
分支）和 ResNet（CNN 的變形）對於三種不同的攻擊後擁有的準確。
5
