本研究は、事前学習された人工ニューラルネットワーク（ANN）の豊かな埋め込み表現を活用して、高性能なスパイキングニューラルネットワーク（SNN）を実現するハイブリッドパイプラインを提案しています。 提案アーキテクチャは、事前学習されたEfficientNetエンコーダとCoLaNETスパイキング分類器を組み合わせたものです。エンコーダの活性化をレート符号化によってスパイク列に変換した後、後続のSNN分類器を局所的で生物学的にインスパイアされた学習規則を用いて訓練します。このアプローチにより、勾配逆伝播による端末から端末までの学習を回避しながら、高い精度を実現しています。 64クラスのImageNetベンチマークにおいて99.09%の精度を達成し、従来の深層学習ネットワークと同等の性能を示しました。本手法は生物学的に妥当性があり、事前学習されたエンコーダを下流のスパイキングニューラルネットワークタスクに適応させるための効率的なフレームワークを提示しています。 これまでSNNは低消費電力という利点がある一方で、精度面ではANNに劣る傾向がありました。本研究の成果は、ANNの高精度性とSNNの効率性を組み合わせた新しいアプローチとして、神経形態工学や低電力AI推論などの応用分野で期待されます。