スパイキングニューラルネットワーク（SNN）とビジョントランスフォーマー（ViT）を組み合わせたスパイキングビジョントランスフォーマー（Spiking Vision Transformer）は、生物学的により近い計算モデルとして注目されています。しかし、これらのモデルは膨大なパラメータ数を持つため、エッジデバイスへのデプロイメントが困難です。 PrimeSVTは、このような課題に対応するために開発された自動化されたメモリ認識プルーニングフレームワークです。プルーニング（枝刈り）とは、ニューラルネットワークにおいて重要性の低いニューロンやシナプス結合を削除し、モデルを圧縮する手法です。PrimeSVTの大きな特徴は、優先度ベースの圧縮ポリシーを採用している点にあります。これにより、モデルの精度を維持しながら、より効率的なメモリ利用が実現されます。 フレームワークは自動化されているため、手動での調整が最小限で済み、様々なスパイキングビジョントランスフォーマーのアーキテクチャに対応できます。メモリ認識という特性により、ターゲットとするデバイスのメモリ制約を考慮した最適な圧縮戦略が自動的に決定されます。 このアプローチにより、スパイキングビジョントランスフォーマーをより実用的で効率的なモデルとして、ロボット視覚やリアルタイム画像認識などの様々なエッジコンピューティングアプリケーションへの展開が可能になります。