SNN คืออะไร (Spiking Neural Networks)

Spiking Neural Networks (SNN) คือโครงข่ายประสาทเทียมที่ทำงานแบบ event-driven โดยนิวรอนจะ “ยิงสัญญาณ” เฉพาะเมื่อมีข้อมูลสำคัญเกิดขึ้น ต่างจาก Neural Network ทั่วไปที่คำนวณตลอดเวลา

โดยใช้สัญญาณแบบ spike (เหมือนสมอง) คำนึงถึง “เวลา” เป็นตัวแปรหลัก ประมวลผลแบบ asynchronous (ไม่พร้อมกัน)

Spike ใน Spiking Neural Networks คืออะไร

Spike ใน Spiking Neural Networks คือ “สัญญาณไฟฟ้าแบบสั้น ๆ (impulse)” ที่นิวรอนใช้สื่อสารกัน ซึ่งเป็นหน่วยข้อมูลพื้นฐานของสมอง และถูกนำมาใช้ใน SNN

หลักการทำงานของ SNN (Spiking Neural Networks)

มี 3 ส่วนคือ Input Encoding Neuron Processing Outpu Interpretation

1. Input Encoding นำเข้าข้อมูล เช่น ภาพ เสียง หรือ sensor จะถูกแปลงเป็น spike train

2. Neuron Processing กระบวนการนิวรอน จะสะสมสัญญาณจนถึง threshold แล้วจึงยิง spike

3. Output Interpretation ผลลัพธ์จะถูกแปลจาก pattern ของ spike

โมเดลที่ใช้อธิบาย SNN คือ Leaky Integrate-and-Fire (LIF) เพื่ออธิบาย มีดังนี้ สะสมสัญญาณ (integrate) มีการรั่วของศักย์ไฟฟ้า (leak) ยิง spike เมื่อถึง threshold

กฏการเรียนรู้ Spike-Timing Dependent Plasticity (STDP)

STDP คือ กฎการเรียนรู้ใน Spiking Neural Networks ที่อธิบายว่า “น้ำหนักของการเชื่อมต่อ (synapse) จะเปลี่ยนแปลงตาม ‘ลำดับเวลา’ ของการยิง spike”

เข้าใจง่ายๆ คือ เมื่อมีเหตุการณ์ใดๆ เกิดขึ้น มีการ spike หรือมีสัญญานไฟฟ้า เกิดตามลำดับของเวลา ทำให้เกิดการเรียนรู้ตามเวลา

โมเดลคณิตศาสตร์ (LIF)

$\tau \frac{dV(t)}{dt} = -V(t) + RI(t)$

เมื่อ $V(t)$ > threshold → เกิด spike

กราฟของ Spike-Timing Dependent Plasticity (STDP)

แกน X = Δt (เวลาต่างระหว่าง pre และ post spike)
แกน Y = Δw (การเปลี่ยนแปลง weight)

Data Set

SNN ต้องการ “event + time” Dataset ที่ดีที่สุดคือ Event-based (DVS) ไม่ใช่ static

Spiking Neural Network (SNN) Tools & Datasets

1. Brian2 คือ simulator สำหรับ Spiking Neural Networks (SNNs) ที่เน้นความยืดหยุ่นสูง ใช้สำหรับการจำลองและทดลองแบบ neuron-level ในงานวิจัย neuroscience และ neuromorphic computing

รายละเอียดสำคัญของ Brian2

ประเภท: SNN Simulator / Neural Network Modeling Tool
ภาษา: Python
จุดเด่น:
1. เขียนโมเดล neuron, synapse และ network ได้อย่างยืดหยุ่น
2. รองรับ differential equations สำหรับ modeling ของ neuron dynamics
3. เหมาะทั้ง งานวิจัยเชิงวิทยาศาสตร์ และ การทดลอง SNN ขนาดเล็กถึงกลาง
4. มี Poisson spike generator และเครื่องมือสำหรับสร้าง spike train
5. สามารถทำ plot voltage, spike raster, membrane potential ได้ง่าย
ตัวอย่างการใช้งาน:
- สร้าง neuron model แบบ Leaky Integrate-and-Fire (LIF)
- จำลอง STDP (Spike-Timing Dependent Plasticity)
- แปลง dataset เช่น MNIST เป็น spike train เพื่อใช้กับ SNN

2. NEST (Neural Simulation Tool) คือ ซอฟต์แวร์จำลองเครือข่ายประสาทแบบ Spiking Neural Networks (SNNs) ที่เน้น การจำลองขนาดใหญ่และมีประสิทธิภาพสูง เหมาะสำหรับงานวิจัยเชิง neuroscience และ computational modeling

รายละเอียดสำคัญของ NEST

ประเภท: SNN Simulator / Large-scale Neural Network Simulator
ภาษา / Platform: C++ core, Python interface ผ่าน PyNEST
จุดเด่น:
1. เหมาะกับ network ขนาดใหญ่ (thousands–millions of neurons)
2. รองรับ complex neuron models เช่น LIF, conductance-based neurons
3. รองรับ STDP, synaptic plasticity และ network dynamics
4. ประสิทธิภาพสูง ใช้ parallel computing / MPI เพื่อจำลอง networks ขนาดใหญ่
5. ใช้ในการวิจัยด้าน neuroscience เช่น brain connectivity, cortical networks
ตัวอย่างการใช้งาน:
- จำลอง cortical microcircuits
- วิเคราะห์ spike raster, firing rates, synaptic plasticity
- เชื่อมต่อกับ data-driven experiments

3. Nengo คือ neuromorphic and neural network simulator ที่เน้นการสร้างและจำลอง Spiking Neural Networks (SNNs) รวมถึง large-scale brain-inspired models โดยสามารถทำงานทั้งแบบ rate-based และ spike-based

รายละเอียดสำคัญของ Nengo

ประเภท: Neural Network Simulator / Neuromorphic Modeling Tool
ภาษา / Platform: Python
จุดเด่น:
1. สร้าง brain-inspired models ขนาดใหญ่ได้ง่าย
2. รองรับ spike encoding, rate encoding, and neuron models
3. มี graphical network builder ให้ visualize network structure
4. รองรับ hardware neuromorphic เช่น Loihi ของ Intel
5. ใช้สำหรับ AI research, cognitive modeling, robotics, and signal processing
ตัวอย่างการใช้งาน:
- จำลอง cognitive tasks เช่น working memory, pattern recognition
- แปลง input signal (images, audio) เป็น spike train
- วิเคราะห์ network activity, neuron firing, and population codes

4. Lava คือ framework สำหรับ Neuromorphic AI และ Spiking Neural Networks (SNNs) ที่พัฒนาโดย Intel เพื่อสร้างและรันโมเดลสมองจำลองบน neuromorphic hardware เช่น Loihi chips หรือบนซอฟต์แวร์ simulator

รายละเอียดสำคัญของ Lava

ประเภท: Neuromorphic AI Framework / SNN Development Platform
ภาษา / Platform: Python
จุดเด่น:
1. เน้น neuromorphic computing สำหรับ hardware อย่าง Loihi
2. สร้างและรัน spiking neural networks ได้ทั้งบน CPU/GPU และ neuromorphic chips
3. รองรับ event-based data เช่น DVS cameras หรือ spike-based sensors
4. มี modular architecture สำหรับสร้าง neuron, synapse, learning rules
5. ใช้ใน AI research, robotics, edge computing และ low-power applications
ตัวอย่างการใช้งาน:

จำลอง spike-based image recognition
สร้าง online learning models ด้วย STDP
ประยุกต์กับ IoT devices เพื่อประหยัดพลังงาน

2. ตัวอย่าง Workflow การรัน SNN แบบ Local

ติดตั้ง Python & Libraries brain2 nest-simulator bindsnet nengo lava-nc


# Python packages
pip install brian2 nest-simulator bindsnet nengo lava-nc matplotlib numpy

โหลด Dataset
- MNIST สำหรับ image classification
- N-MNIST สำหรับ event-based spikes
แปลง Dataset เป็น Spike Train
- ใช้ Poisson Encoding หรือ Rate-based Encoding
สร้างโมเดล SNN
- เลือก neuron model เช่น Leaky Integrate-and-Fire (LIF)
- สร้าง network และ synapse พร้อม learning rule เช่น STDP
รัน Simulation
- ประมวลผล spikes
- เก็บค่า membrane potential, spike train
Visualize Results

Plot spike raster, membrane potential
วิเคราะห์ firing rate, classification accuracy

ค..ตนดูระบบคอม

ค้นหาบล็อกนี้