スパイキングニューラルネットワーク（SNN）は、生物の脳における神経細胞の発火パターンを模倣した次世代型のニューラルネットワークです。従来のディープラーニングと異なり、スパイク（発火）というイベント駆動型の情報処理を行うため、消費電力が非常に少なく、エッジデバイスやニューロモルフィックハードウェアでの実装に極めて適しています。しかし、SNNの学習は非常に複雑で、従来の勾配ベースの最適化手法が直接適用できないという課題を抱えていました。 本研究では、この問題を解決するために低ランク進化戦略を活用した勾配フリーの学習手法を提案しています。進化戦略は、生物進化の過程を模倣した最適化アルゴリズムで、勾配情報を必要としないため、非微分可能な目的関数に対しても効果的に適用できます。低ランク進化戦略は、パラメータ空間の次元を削減することで計算コストを大幅に削減し、より効率的な学習を実現します。 この手法の利点は多岐にわたります。勾配の計算が不要なため、SNNの複雑な発火ダイナミクスを扱う際の計算負荷が軽減されます。また、低ランク近似により、パラメータ数が多い大規模なネットワークであっても実用的な時間内での学習が可能になります。さらに、この手法はニューロモルフィックチップなどの特殊なハードウェア上での直接実装にも向いており、エッジAIの実現において重要な意味を持ちます。 SNNと低ランク進化戦略の組み合わせは、エネルギー効率に優れた知能システムの開発を加速させる可能性があります。この研究は、次世代のAIハードウェアと学習アルゴリズムの統合において重要なステップとなるでしょう。