スパイキングニューラルネットワーク（SNN）をニューロモルフィックハードウェアに展開する際、エネルギー効率を保ちながら高度なシナプス枝刈りを実現することは大きな課題です。従来の枝刈り手法は神経細胞の重要度を軽視するか、組み合わせ最適化問題の凸緩和に依存していました。これらの手法で得られた小数値マスクを二値化すると、中程度から高いスパリティ（疎性）の領域で精度が大きく低下してしまいます。 本研究は、Criticality-Constrained Quadratic Pruning（CQP）というPyTorchパイプラインを提案しています。このアプローチは重みの大きさと勾配代理を用いた重要度スコアを融合し、解析的に正確な重要度指標を導出することで、従来のソルバーベース手法に付きまとう丸め誤差を排除します。研究チームは、OSQP-solverを使用した場合、小数値マスクが意図したスパリティを最大12ポイント超過し、精度が44ポイント低下する「連続緩和の罠」を正式に特性化しました。さらに、Adamの一次モーメントテンソルが枝刈り済みシナプスを復活させる「ゾンビ重み」の故障モードも特定し、その改善方法を提示しています。 提案されたCQPパイプラインは、枝刈り、勾配マスキングを用いた微調整、重要度の再計算、反復といったスケジュールを採用し、高スパリティ領域における勾配の陳腐化を排除します。KL発散の時間分析により冗長なシミュレーションタイムステップを特定し、重みを変更することなく理論上10%のエネルギー削減を実現しています。MNISTデータセット（60,000訓練例）での評価では、90%のスパリティでCQPが95.6%の精度を達成し、従来の大きさベース枝刈りの93.4%を2.2ポイント上回りました。実験結果から、重要度閾値τ=0.9に到達すると精度が87.0%から14.4%に劇的に低下する「臨界性の崖」現象が発見され、これはSNNレベルでの臨界脳仮説の定量的な類似現象を示しています。重みの疎性化と時間的短縮を組み合わせることで、70%のスパリティで推論あたりのエネルギーを73%削減し、ニューロモルフィック展開における提案パイプラインの実用的価値が確認されました。