💻 computer science

General Self-Prediction Enhancement for Spiking Neurons

प्रेडिक्टिव कोडिंग से प्रेरित, यह शोध पत्र एक सेल्फ-प्रेडिक्शन एन्हांस्ड स्पाइकिंग न्यूरॉन विधि प्रस्तावित करता है जो झिल्ली क्षमता (मेम्ब्रेन पोटेंशियल) को नियंत्रित करने के लिए आंतरिक प्रेडिक्शन करंट उत्पन्न करता है, जिससे निरंतर ग्रेडिएंट पथों के माध्यम से प्रशिक्षण स्थिरता और सटीकता में सुधार होता है और साथ ही जैविक सिद्धांतों के अनुरूप भी रहता है।

मूल लेखक: Zihan Huang, Zijie Xu, Yihan Huang, Shanshan Jia, Tong Bu, Yiting Dong, Wenxuan Liu, Jianhao Ding, Zhaofei Yu, Tiejun Huang

प्रकाशित 2026-01-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zihan Huang, Zijie Xu, Yihan Huang, Shanshan Jia, Tong Bu, Yiting Dong, Wenxuan Liu, Jianhao Ding, Zhaofei Yu, Tiejun Huang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका मस्तिष्क एक विशाल, अत्यंत कुशल शहर है जहाँ सूचना निरंतर विद्युत प्रवाह के रूप में नहीं, बल्कि त्वरित, अलग-अलग "पिंग्स" या "स्पाइक्स" (जैसे किसी पड़ोसी को नोट लेकर दौड़ता हुआ संदेशवाहक) के रूप में चलती है। स्पाइकिंग न्यूरल नेटवर्क (SNNs) इसी तरह काम करते हैं। वे अविश्वसनीय रूप से ऊर्जा-कुशल होते हैं क्योंकि वे केवल तभी "जागते" हैं और संदेश भेजते हैं जब वास्तव में आवश्यक हो।

हालाँकि, इन नेटवर्कों को सिखाना एक भूत को चलना सिखाने जैसा है। क्योंकि "पिंग्स" अचानक होने वाली ऑन/ऑफ घटनाएं हैं, इसलिए मानक गणितीय उपकरण जिनका उपयोग AI को प्रशिक्षित करने के लिए किया जाता है (जो सुचारू, निरंतर परिवर्तनों पर निर्भर करते हैं), उन्हें यह समझने में संघर्ष होता है कि सुधार कैसे किया जाए। इससे ऐसे नेटवर्क बनते हैं जो या तो सीखने में धीमे होते हैं, या सटीक नहीं होते, या उन्हें बहुत अधिक कंप्यूटर शक्ति की आवश्यकता होती है।

मुख्य विचार: एक न्यूरॉन की "आंतरिक आवाज़"

इस शोध पत्र के लेखकों ने कुछ ऐसा देखा जो मस्तिष्क स्वाभाविक रूप से करता है लेकिन अधिकांश AI अनदेखा कर देते हैं: भविष्यवाणी (Prediction)।

वास्तविक मस्तिष्क में, न्यूरॉन्स केवल इस बात पर प्रतिक्रिया नहीं देते कि अभी क्या हो रहा है; वे लगातार अनुमान लगाते हैं कि जो अभी हुआ उसके आधार पर आगे क्या होगा। यदि अनुमान सही है, तो न्यूरॉन तैयार रहता है। यदि अनुमान गलत है, तो न्यूरॉन उस गलती से सीखता है।

शोधकर्ताओं ने पूछा: क्या होगा यदि हम प्रत्येक कृत्रिम न्यूरॉन को इन भविष्यवाणियों को करने के लिए अपनी एक "आंतरिक आवाज़" दे दें?

उन्होंने एक नए प्रकार के न्यूरॉन का निर्माण किया जिसे सेल्फ-प्रेडिक्शन एन्हांस्ड स्पाइकिंग न्यूरॉन (Self-Prediction Enhanced Spiking Neuron) कहा जाता है। यह कैसे काम करता है, इसके लिए एक सरल उपमा यहाँ दी गई है:

उपमा: मौसम की तैयारी रखने वाला यात्री (The Weather-Prepared Commuter)

एक यात्री (न्यूरॉन) की कल्पना करें जो बस (इनपुट सिग्नल) का इंतज़ार कर रहा है।

पुराना तरीका (मानक न्यूरॉन): यात्री बेंच पर बैठा है। यदि बस आती है, तो वह उस पर चढ़ जाता है। यदि नहीं आती, तो वह वहीं बैठा रहता है। वह केवल बस के वास्तव में आने पर ही प्रतिक्रिया देता है।
नया तरीका (सेल्फ-प्रेडिक्शन न्यूरॉन): इस यात्री के पास एक स्मृति (memory) है।
- भविष्यवाणी: दिन के समय और इस आधार पर कि वह कितनी देर से इंतज़ार कर रहा है, वह अनुमान लगाता है कि बस जल्द ही आने वाली है।
- "प्री-हीट" (Pre-Heat): क्योंकि वह भविष्यवाणी करता है कि बस आने वाली है, इसलिए वह खड़ा हो जाता है और बेंच के किनारे की ओर बढ़ता है (यह प्रेडिक्शन करंट है)। अब वह "पूर्व-सक्रिय" (pre-activated) है।
- परिणाम: जब बस वास्तव में आती है, तो वह तुरंत कूदने के लिए पहले से ही तैयार होता है। यदि बस नहीं आती है (एक भविष्यवाणी त्रुटि/prediction error), तो वह वापस बैठ जाता है और महसूस करता है, "ठीक है, मेरा अनुमान गलत था; मुझे अगली बार के लिए अपनी टाइमिंग को एडजस्ट करने की ज़रूरत है।"

यह AI की मदद कैसे करता है

शोध पत्र का दावा है कि यह सरल "आंतरिक आवाज़" तीन प्रमुख समस्याओं को हल करती है:

1. यह सीखने के मार्ग को सुचारू बनाती है ("ग्रेडिएंट" की समस्या)

समस्या: मानक AI प्रशिक्षण में, यदि एक न्यूरॉन "पिंग" नहीं भेजता है, तो गणित टूट जाता है, और सीखने का संकेत (ग्रेडिएंट) रुक जाता है। यह एक कार चलाने जैसा है लेकिन सड़क गायब हो जाती है जैसे ही आप गैस दबाना बंद करते हैं।
समाधान: क्योंकि "प्रेडिक्शन करंट" हमेशा बह रहा होता है (भले ही न्यूरॉन फायर न कर रहा हो), यह सीखने के संकेत के लिए एक निरंतर, सुचारू मार्ग बनाता है। AI हमेशा सुधार करने का तरीका देख सकता है, भले ही न्यूरॉन शांत हो। यह "वैनिशिंग ग्रेडिएंट" की समस्या को रोकता है जहाँ सीखना बस फीका पड़ जाता है।

2. यह सीखने को तेज़ और अधिक सटीक बनाता है

न्यूरॉन को अपेक्षित घटनाओं के लिए "प्री-हीट" करके, नेटवर्क उन पैटर्न के प्रति अधिक संवेदनशील हो जाता है जिन्हें उसने पहले देखा है।
शोध पत्र ने कई अलग-अलग प्रकार के AI नेटवर्कों (जैसे कि छवियों को पहचानने के लिए उपयोग किए जाने वाले) पर इसका परीक्षण किया और पाया कि इस विशेषता को जोड़ने से वे लगातार अधिक स्मार्ट और सटीक हो गए, चाहे नेटवर्क का विशिष्ट डिज़ाइन कुछ भी हो।

3. यह वास्तविक मस्तिष्क के अधिक करीब है

यह तंत्र इस बात की नकल करता है कि वास्तविक जैविक न्यूरॉन्स कैसे काम करते हैं। मस्तिष्क में, न्यूरॉन के कुछ हिस्से जिन्हें "डेंड्राइट्स" कहा जाता है, छोटे एंटीना की तरह काम करते हैं जो गतिविधि की भविष्यवाणी करते हैं और मुख्य सेल बॉडी की संवेदनशीलता को समायोजित करते हैं। लेखकों का गणितीय मॉडल इस जैविक तकनीक का एक डिजिटल संस्करण है।

उन्होंने क्या परीक्षण किया

शोधकर्ताओं ने केवल बातें नहीं कीं; उन्होंने आंकड़े भी चलाए। उन्होंने अपने नए न्यूरॉन्स का परीक्षण निम्नलिखित पर किया:

छवि पहचान (Image Recognition): AI को चित्रों को पहचानने के लिए सिखाना (जैसे बिल्ली बनाम कुत्ता)।
क्रमिक कार्य (Sequential Tasks): AI को ऐसे डेटा को समझने के लिए सिखाना जो समय के साथ बदलता है, जैसे वाक्य को शब्द-दर-शब्द पढ़ना।
रोबोट नियंत्रण (Reinforcement Learning): एक आभासी रोबोट को चलना या दौड़ना सिखाना।

लगभग हर परीक्षण में, "सेल्फ-प्रेडिक्शन" संस्करण वाले न्यूरॉन ने मानक संस्करणों की तुलना में बेहतर प्रदर्शन किया। कुछ रोबोट नियंत्रण कार्यों में, नया AI पारंपरिक नॉन-स्पाइकिंग AI मॉडल के समान या उससे थोड़ा बेहतर प्रदर्शन करने में सक्षम था, जबकि उसने स्पाइकिंग नेटवर्क की ऊर्जा दक्षता को भी बनाए रखा।

निष्कर्ष

यह शोध पत्र एक सरल लेकिन शक्तिशाली अपग्रेड का प्रस्ताव करता है: प्रत्येक AI न्यूरॉन को भविष्य का अनुमान लगाने में मदद करने के लिए उसके अपने अतीत की स्मृति दें। यह "आंतरिक आवाज़" नेटवर्क को प्रशिक्षित करना आसान, अधिक सटीक और अधिक जैविक रूप से यथार्थवादी बनाती है, और इसके लिए अतिरिक्त कंप्यूटिंग शक्ति की भारी आवश्यकता भी नहीं होती है। यह एक शांत, प्रतिक्रियाशील रोबोट को थोड़ी सी अंतर्दृष्टि (intuition) देने जैसा है।

तकनीकी सारांश: स्पाइकिंग न्यूरॉन्स के लिए सामान्य स्व-पूर्वानुमान संवर्धन (General Self-Prediction Enhancement)

1. समस्या विवरण

स्पाइकिंग न्यूरल नेटवर्क (SNNs) इवेंट-ड्रिवन और स्पार्स कंप्यूटेशन के माध्यम से महत्वपूर्ण ऊर्जा दक्षता प्रदान करते हैं, जो उन्हें संसाधन-सीमित एज हार्डवेयर के लिए आदर्श बनाता है। हालांकि, उच्च-प्रदर्शन वाले SNNs को प्रशिक्षित करना चुनौतीपूर्ण बना हुआ है क्योंकि बाइनरी स्पाइक इवेंट्स की नॉन-डिफरेंशिएबल प्रकृति मानक बैकप्रोपैगेशन को जटिल बनाती है। जबकि मौजूदा विधियों जैसे कि सरोगेट ग्रेडिएंट ट्रेनिंग और ANN-to-SNN कन्वर्जन ने प्रगति की है, वे अक्सर अभिसरण गति (convergence speed), सटीकता और जैविक संभाव्यता (biological plausibility) के बीच संतुलन बनाने में विफल रहती हैं।

महत्वपूर्ण रूप से, मुख्यधारा के SNNs प्रेडिक्टिव कोडिंग (predictive coding) की अनदेखी करते हैं, जो एक प्रमुख कॉर्टिकल तंत्र है जहाँ मस्तिष्क संवेदी इनपुट का पूर्वानुमान लगाता है और धारणा को अनुकूलित करने के लिए विचलन (prediction errors) को एनकोड करता है। वर्तमान SNNs में अक्सर इस प्रकार के स्थानीय स्व-पूर्वानुमान (local self-prediction) को करने के लिए न्यूरॉन-आंतरिक तंत्रों का अभाव होता है, और वे अक्सर महंगी वैश्विक पुनरावर्ती (global recurrent) कनैक्शनों पर निर्भर रहते हैं या टेम्पोरल डायनेमिक्स को पूरी तरह से अनदेखा कर देते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक स्व-पूर्वानुमान संवर्धित स्पाइकिंग न्यूरॉन (Self-Prediction Enhanced Spiking Neuron) विधि प्रस्तावित करते हैं। यह दृष्टिकोण एक प्रेडिक्टिव कोडिंग तंत्र को व्यक्तिगत स्पाइकिंग न्यूरॉन्स के डायनेमिक्स में सीधे एकीकृत करता है, जो विभिन्न न्यूरॉन मॉडल्स (जैसे, LIF, PLIF, CLIF, IF) और नेटवर्क आर्किटेक्चर के साथ संगत है।

मुख्य तंत्र (Core Mechanism)

यह विधि एक सहायक पूर्वानुमान करंट (prediction current) ( $m^p_l[t]$ ) पेश करती है जो न्यूरॉन के अपने इनपुट और आउटपुट के इतिहास से गतिशील रूप से उत्पन्न होता है। यह करंट मेम्ब्रेन पोटेंशियल को एक सहायक इनपुट के रूप में मॉड्युलेट करता है, जो प्रभावी रूप से एक स्थानीय स्व-पूर्वानुमान त्रुटि सिग्नल के रूप में कार्य करता है।

डायनेमिक्स को निम्नानुसार परिभाषित किया गया है:

पूर्वानुमान त्रुटि गणना (Prediction Error Calculation): सिस्टम वर्तमान इनपुट ( $x_{l-1}[t]$ ) और स्केल्ड आउटपुट स्पाइक ( $s_l[t]/\tau_l$ ) के बीच के अंतर के आधार पर एक स्थानीय त्रुटि पद (error term) की गणना करता है:
$\text{Error} \approx x_{l-1}[t] - \frac{s_l[t]}{\tau_l}$
पूर्वानुमान करंट अपडेट (Prediction Current Update): इस त्रुटि को एक लो-पास मैकेनिज्म (मूविंग एवरेज) के माध्यम से फ़िल्टर किया जाता है ताकि प्रेडिक्शन करंट उत्पन्न किया जा सके:
$m^p_l[t] = (1 - \tau^p_l)m^p_l[t-1] + \tau^p_l \left( x_{l-1}[t] - \frac{s_l[t]}{\tau_l} \right)$
यहाँ, $\tau^p_l$ अपडेट दर को नियंत्रित करता है।
मेम्ब्रेन मॉड्यूलेशन (Membrane Modulation): मेम्ब्रेन पोटेंशियल अपडेट से पहले प्रेडिक्शन करंट को सिनैप्टिक इनपुट करंट ( $I_l[t]$ ) में जोड़ दिया जाता है:
$I_l[t] = x_{l-1}[t] + m^p_l[t-1]$

परिचालन तर्क (Operational Logic)

न्यूरॉन की स्थिति के आधार पर प्रेडिक्शन करंट चार विशिष्ट कार्य करता है:

सही पूर्वानुमान (स्पाइक अपेक्षित है और उत्सर्जित हुआ): करंट मेम्ब्रेन पोटेंशियल को थोड़ा बढ़ाता है, जिससे अगले अपेक्षित इवेंट के लिए न्यूरॉन प्री-एक्टिवेट होता है।
सही पूर्वानुमान (स्पाइक अपेक्षित नहीं है और कोई स्पाइक नहीं हुआ): करंट कम या नकारात्मक रहता है, जो शोर-प्रेरित अवांछित स्पाइक्स को दबा देता है।
मिस्ड स्पाइक (इनपुट उच्च, स्पाइक नहीं हुआ): करंट सकारात्मक रूप से बढ़ता है, जो भविष्य के समान इनपुट्स के प्रति संवेदनशीलता बढ़ाने के लिए सिग्नल को एम्प्लीफाई करता है।
अनपेक्षित स्पाइक (इनपुट निम्न, स्पाइक उत्सर्जित हुआ): करंट नकारात्मक रूप से अपडेट होता है, जो नेटवर्क को भविष्य में अत्यधिक प्रतिक्रियाशील व्यवहार को दबाने के लिए प्रोत्साहित करता है।

ग्रेडिएंट विश्लेषण (Gradient Analysis)

लेखक प्रदर्शित करते हैं कि यह तंत्र निरंतर ग्रेडिएंट पथ (continuous gradient paths) बनाता है जो SNNs में सामान्य रूप से देखी जाने वाली वैनिशिंग ग्रेडिएंट समस्या को कम करता है। 'बैकप्रोपैगेशन थ्रू टाइम' के विपरीत, जिसमें स्पाइक्स के दुर्लभ होने पर ग्रेडिएंट स्पर्सिटी (sparsity) आती है, स्व-पूर्वानमान करंट ( $m^p_l[t]$ ) एक स्मूथ, निरंतर मेमोरी यूनिट के रूप में कार्य करता है।

डायरेक्ट पाथवे (Direct Pathway): ग्रेडिएंट्स भविष्य की अवस्थाओं ( $m^p_l[t+1]$ ) से वर्तमान इनपुट ( $x_{l-1}[t]$ ) तक सीधे प्रेडिक्शन करंट के माध्यम से प्रवाहित होते हैं, जिससे वर्तमान समय चरण पर स्पार्स स्पाइक इवेंट को बायपास किया जाता है।
इनडायरेक्ट पाथवे (Indirect Pathway): ग्रेडिएंट्स प्रेडिक्शन करंट के माध्यम से स्पाइक आउटपुट तक प्रवाहित होते हैं, जिससे नेटवर्क सरोगेट ग्रेडिएंट्स का उपयोग करके पूर्वानुमान त्रुटियों को अनुकूल रूप से सुधार सकता है।

जैविक संभाव्यता (Biological Plausibility)

यह डिज़ाइन जैविक अवलोकनों, विशेष रूप से पाइरेमिडल न्यूरॉन्स में डिस्टल डेंड्राइट्स (distal dendrites) की भूमिका की नकल करता है। जीव विज्ञान में, डिस्टल डेंड्राइट्स टॉप-डाउन इनपुट्स प्राप्त करते हैं जो सोमैटिक रिस्पॉन्स को मॉड्युलेट करते हैं लेकिन सीधे स्पाइक्स को ट्रिगर नहीं करते हैं। इसी तरह, प्रेडिक्शन करंट एक सबथ्रेशोल्ड मॉड्यूलेटरी सिग्नल के रूप में कार्य करता है। त्रुटि-संचालित अपडेट नियम सिनैप्टिक प्लास्टिसिटी (synaptic plasticity) को दर्शाता है, जहाँ पूर्वानुमान त्रुटियाँ (जैसे, मजबूत इनपुट के बावजूद स्पाइक उत्पन्न न होना) सिनैप्टिक प्रभावकारिता में समायोजन को संचालित करती हैं।

3. मुख्य योगदान (Key Contributions)

नया न्यूरॉन तंत्र: एक प्रेडिक्शन करंट प्रस्तावित करता है जो स्व-पूर्वानुमान त्रुटि पर आधारित है और जटिल आर्किटेक्चरल परिवर्तनों की आवश्यकता के बिना किसी भी स्पाइकिंग न्यूरॉन को बेहतर बनाता है।
सैद्धांतिक विश्लेषण: विधि के डायनेमिक्स, ग्रेडिएंट प्रोपेगेशन गुणों (बेहतर स्थिरता और कम वैनिशिंग ग्रेडिएंट दिखाते हुए), और जैविक व्याख्यात्मकता का व्यापक विश्लेषण प्रदान करता है।
व्यापक अनुभवजन्य सत्यापन: विभिन्न नेटवर्क आर्किटेक्चर (ResNets, Spiking ResNets), न्यूरॉन मॉडल्स (IF, LIF, PLIF, CLIF), और डेटासेट्स (CIFAR-10, ImageNet-100, ImageNet-1K) पर विधि का मूल्यांकन करता है।
कार्य बहुमुखी प्रतिभा (Task Versatility): यह दृष्टिकोण न केवल इमेज क्लासिफिकेशन बल्कि अनुक्रमिक वर्गीकरण (Sequential CIFAR-10) और सुदृढीकरण लर्निंग (Reinforcement Learning) कार्यों (MuJoCo बेंचमार्क) में भी अपनी मजबूती को प्रमाणित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने विधि को मान्य करने के लिए व्यापक प्रयोग किए:

इमेज क्लासिफिकेशन (CIFAR-10): पांच नेटवर्क आर्किटेक्चर और चार न्यूरॉन प्रकारों में, स्व-पूर्वानुमान संवर्धन ने लगातार सटीकता में सुधार किया। उदाहरण के लिए, SEW ResNet-34 पर LIF न्यूरॉन्स के साथ, सटीकता T=4 के लिए 95.42% से बढ़कर 95.86% और T=8 के लिए 94.54% से बढ़कर 96.16% हो गई। अधिकांश कॉन्फ़िगरेशन में लाभ देखा गया, और यह विधि LIF, PLIF और CLIF न्यूरॉन्स के लिए विशेष रूप से प्रभावी सिद्ध हुई।
बड़े पैमाने के डेटासेट्स (ImageNet-100/1K): ImageNet-100 पर, S-LIF ने सटीकता 65.80% से बढ़ाकर 69.06% कर दी। ImageNet-1K पर, S-PLIF ने सटीकता 64.25% से बढ़ाकर 64.45% कर दी, जो जटिल परिदृश्यों में इसके सामान्यीकरण की पुष्टि करता है।
अनुक्रमिक वर्गीकरण (Sequential Classification): Sequential CIFAR-10 कार्य (लॉन्ग-टर्म टेम्पोरल डिपेंडेंसी) पर, विधि ने प्रशिक्षण के दौरान लगातार सुधार दिया। उदाहरण के लिए, बेसलाइन के 80.11% की तुलना में S-LIF ने 82.38% सटीकता प्राप्त की। एब्लेशन अध्ययनों ने पुष्टि की कि पूर्ण कम्प्यूटेशनल ग्राफ (स्पाइक सिग्नल के माध्यम से ग्रेडिएंट सहित) को बनाए रखना प्रदर्शन के लिए महत्वपूर्ण है।
सुदृढीकरण लर्निंग (Reinforcement Learning): निरंतर नियंत्रण कार्यों (Ant, HalfCheetah, Hopper, Walker2d) में, विधि को TD3 एल्गोरिदम के साथ एकीकृत किया गया। स्व-पूर्वानुमान संवर्धित PLIF (S-PLIF) ने लगातार बेसलाइन PLIF से बेहतर प्रदर्शन किया और कई मामलों में (जैसे, Proxy Target फ्रेमवर्क के साथ Ant-v4) मानक आर्टिफिशियल न्यूरल नेटवर्क (ANNs) के प्रदर्शन को भी पीछे छोड़ दिया। प्रॉक्सी टारगेट सेटिंग में ANN बेसलाइन्स पर औसत प्रदर्शन लाभ S-PLIF के लिए 3.28% था।

5. महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि प्रस्तावित विधि कम्प्यूटेशनल दक्षता और जैविक संभाव्यता के बीच के अंतर को पाटकर SNNs को बेहतर बनाने का एक सरल लेकिन प्रभावी तरीका प्रदान करती है।

प्रशिक्षण स्थिरता (Training Stability): निरंतर ग्रेडिएंट पथ बनाकर, यह विधि वैनिशिंग ग्रेडिएंट्स को कम करती है और प्रशिक्षण को स्थिर करती है, जिससे विविध आर्किटेक्चर में उच्च सटीकता प्राप्त होती है।
जैविक संरेखण (Biological Alignment): यह तंत्र प्रेडिक्टिव कोडिंग, डेंड्रिटिक मॉड्यूलेशन और एरर-ड्रिवन प्लास्टिसिटी के कॉर्टिकल सिद्धांतों के अनुरूप है, जो स्पाइकिंग न्यूरॉन्स के लिए अधिक जैविक रूप से आधारित मॉडल प्रदान करता है।
सामान्य प्रयोज्यता (General Applicability): यह विधि विशिष्ट नेटवर्क प्रकारों या कार्यों तक सीमित नहीं है; यह विज़न, सीक्वेंस प्रोसेसिंग और कंट्रोल सहित विभिन्न न्यूरॉन मॉडल्स और डोमेन के लिए एक सामान्य संवर्धन के रूप में कार्य करती है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण स्पाइकिंग न्यूरल नेटवर्क को बेहतर बनाने के लिए एक आशाजनक दिशा स्थापित करता है, जिससे वे अपनी अंतर्निहित ऊर्जा दक्षता और जैविक व्याख्यात्मकता को बनाए रखते हुए ANNs के बराबर या उससे बेहतर प्रदर्शन करने में सक्षम होते हैं।