スパイキングニューラルネットワーク（SNN）は、イベント駆動型のスパイクベースの計算方式により、従来の量子化ニューラルネットワーク（QNN）と比べて高いエネルギー効率を実現する可能性があるとされてきました。しかし、既存のエネルギー評価は多くの場合、計算処理の側面のみに焦点を当てており、データ移動やメモリアクセスといった重要なオーバーヘッドを見落としていました。このような簡略化された評価は、SNNの真のエネルギー効率に関する誤った結論につながる可能性があります。 本研究は、このような問題に対する厳密な再評価を提示しています。研究では、T個のタイムステップを持つレート符号化SNNを、⌈log₂(T+1)⌉ビットの量子化ビット数を持つ容量マッチングQNNにマッピングすることで、公正なベースラインを確立しました。この方法により、両モデルが比較可能な表現能力を持つとともに、類似のハードウェア要件を満たすことになり、意味のあるエネルギー比較が可能になります。 研究チームは、コア計算とデータ移動の両方を網羅した詳細な解析エネルギーモデルを構築しました。このモデルを用いて、SNNのタイムウィンドウサイズ、スパイク率、QNNのスパーシティ、モデルサイズ、重みのビットレベルといった本質的なネットワーク特性に加え、メモリシステムとネットワーク・オン・チップ（NoC）などのハードウェア特性を含む広範なパラメータ空間を体系的に探索しました。 分析の結果、SNNが真のエネルギー効率優位性を発揮する具体的な運用領域が特定されました。例えば、一般的なニューロモルフィックハードウェア環境では、中程度のタイムウィンドウ（T=5）を持つSNNは、平均スパイク率が5.7%以下である場合、同等のQNNを上回るエネルギー効率を達成できることが明らかになりました。これらの知見は、真のエネルギー効率を備えたニューラルネットワークソリューションの設計に向けた指針となります。