スパイキングニューラルネットワーク（SNN）は、二値の活性化と時間的状態をもつニューラルネットワークとして導入されがちである。しかしその説明は、学習後およびデプロイ後にスパイクが有用性を保つかどうかを左右する工学的な契約を欠落させている。本概説は、物理的な信号から実行可能な出力へと至るSNNの流れを追跡する。イベントセンシングとスパイク符号化を、ニューロンとシナプスのダイナミクスに結び付ける。また、変換、サロゲート勾配、厳密勾配、局所オンライン学習、畳み込み・再帰・残差・注意・グラフ・生成的アーキテクチャ、イベントデータセットと評価プロトコル、シミュレーション基盤、中間表現、コンパイラ、量子化、プレースメント、多重キャストルーティング、キャリブレーション、そしてランタイム統合を扱う。さらに、デジタル、混載アナログ、FPGA、計算メモリ、センサーベースの計算機能ハードウェアまでを含む。これらの層を、イベント契約として7つのフィールド（イベント意味論、時間、状態、精度、局所性、適応、エビデンス境界）で整理する。この契約は、見かけ上スパイク型モデルがエネルギー優位を失う理由を、密な符号化、高い発火率、長い時間窓、対応していない演算子、ホスト前処理、またはルーティング交通の観点から明示する。本概説は、連続・離散のニューロンモデル間の数学的対応を与え、学習および変換の誤差経路を導出し、操作回数の代理指標を、アクセラレータ、ボード、ホストを含む、ならびにセンサから意思決定までの測定に分離する。表では、符号化方式、学習規則、データセット、ソフトウェアスタック、デプロイメント変換、および主要なニューロモーフィックシステムを比較する。得られる結論は、SNNデプロイメントを、孤立したネットワーク・アーキテクチャやチップの選択ではなく、クロスレイヤ最適化問題として捉える。
https://doi.org/10.20944/preprints202609.0164.v1