Spiking Neural Network Nedir?
Spiking Neural Network (SNN), beyin biyolojisinden ilham alınarak tasarlanmış "üçüncü nesil" yapay sinir ağı mimarisidir. Klasik derin öğrenme modellerinde nöronlar sürekli kayan noktalı aktivasyon değerleri üretirken; SNN'lerde nöronlar yalnızca yeterli uyarı biriktiğinde kısa süreli elektriksel bir atış (spike) gönderir. Bu ayrık, olay tabanlı yaklaşım biyolojik nöronların çalışma prensibini çok daha sadık biçimde yansıtır ve özellikle nöromorhik donanımlar üzerinde son derece enerji verimli hesaplama sağlar.
Nasıl Çalışır? — Leaky Integrate-and-Fire Modeli
En yaygın SNN nöronu modeli olan Leaky Integrate-and-Fire (LIF), gelen spike'ları bir "membran potansiyeli" değişkeni üzerinde biriktirir. Potansiyel belirli bir eşiği (threshold) aştığında nöron kendi spike'ını üretir ve potansiyel sıfırlanır. "Leak" (sızıntı) terimi, potansiyelin uyarı gelmediğinde zamanla yavaşça düşmesini ifade eder — tıpkı biyolojik bir nöronun dinlenme potansiyeline geri dönmesi gibi. Bu mekanizma geçmiş olayların bilgisini doğal biçimde taşır ve zamana duyarlı örüntüleri öğrenmeyi mümkün kılar.
Klasik Yapay Sinir Ağlarından Farkları
SNN'lerin ANN'lerden en temel farkı zamansal boyuttur: ANN'lar statik girişlere anlık tepki verirken, SNN'ler spike'ların zamanlamasını da bir bilgi kanalı olarak kullanır (temporal coding). Bunun yanı sıra SNN'ler doğal olarak seyrek aktivasyon üretir — çoğu nöron büyük zaman dilimlerinde sessiz kalır. Bu seyreklik nöromorhik donanımlarda enerji tüketimini dramatik biçimde azaltır: güç yalnızca spike üretildiği anlarda harcanır. A100 GPU ile kıyaslandığında nöromorhik çiplerde bellek erişimi %55–85 oranında düşebilir.
Eğitim Zorluğu — Surrogate Gradient
SNN'lerin en büyük teknik zorluğu standart geri yayılım (backpropagation) ile eğitilememeleridir; spike fonksiyonu türevlenemeyen bir adım fonksiyonudur. Bu sorunu aşmak için surrogate gradient (vekil gradyan) yöntemi kullanılır: ileri geçişte gerçek spike fonksiyonu, geri geçişte ise türevlenebilir bir yaklaşım fonksiyonu (sigmoid gibi) kullanılır. Alternatif olarak STDP (Spike-Timing Dependent Plasticity) gibi biyolojik öğrenme kuralları da uygulanabilir; bu yöntemde iki nöronun spike'larının zamansal yakınlığı sinapstik ağırlıkları günceller.
Uygulama Alanları ve Güncel Gelişmeler
SNN'ler özellikle kenar hesaplama (edge AI), olay kamerası (event camera) görüntü işleme, robotik ve düşük güçlü sensör veri analizi alanlarında öne çıkmaktadır. Intel Loihi 2 ve IBM TrueNorth gibi nöromorhik çipler SNN'leri donanım düzeyinde doğrudan çalıştırabilir. 2025 yılında Nature Communications'ta yayımlanan bir çalışma, 28 nm çok çekirdekli nöromorhik mimarinin FP16 hassasiyetinde 1,05 TFLOPS/W enerji verimliliği elde ettiğini ve A100 GPU'ya kıyasla bellek erişimini %55–85 oranında azalttığını göstermektedir. Bu gelişmeler, SNN'lerin sürdürülebilir ve enerji verimli AI hesaplamasının anahtarı olabileceğine işaret etmektedir.