Comparación Matemática y Numérica de Estrategias de Codificación Temporal para Computación Neuromórfica de Bajo Costo
DOI:
https://doi.org/10.70747/cr.v5i2.1148Palabras clave:
inteligencia artificial, codificación, teoría de la información, evaluación comparativa, modelo de simulaciónResumen
La computación neuromórfica de bajo costo requiere criterios comparativos claros para seleccionar estrategias de codificación temporal que equilibren fidelidad representacional, robustez numérica y viabilidad de implementación. En este trabajo se compararon, bajo un mismo marco experimental, cuatro estrategias de codificación en redes neuronales de disparo: rate coding, time-to-first-spike (TTFS), phase coding y burst coding. La metodología se estructuró como un banco in silico, homogéneo, reproducible y orientado a decisión, con población codificadora fija, señales sintéticas temporales, perturbaciones controladas de ruido, discretización y cuantización, y evaluación multicriterio de desempeño temporal, robustez, actividad de spikes y costo computacional. Los resultados muestran que no existe una estrategia universalmente superior en términos absolutos, aunque TTFS exhibió la ventaja global más estable dentro del protocolo adoptado, al reunir menor latencia, menor actividad media, mayor esparsidad y menor carga computacional. Phase coding destacó por la mejor preservación del orden relativo y la mayor robustez al ruido, mientras que burst coding aportó redundancia local útil. Rate coding, aunque mostró el desempeño global menos favorable, conservó utilidad específica para detectar corrimientos temporales gruesos. Se concluye que la selección del código debe depender del criterio dominante de diseño y no de una supremacía abstracta, y que el protocolo propuesto constituye una base metodológica útil para la selección temprana de codificación en sistemas neuromórficos ligeros.
Citas
Ayasi, B., Carmona, C. J., Saleh, M., & García-Vico, A. M. (2025). A practical tutorial on spiking neural networks: Comprehensive review, models, experiments, software tools, and implementation guidelines. Eng, 6(11), 304. https://doi.org/10.3390/eng6110304
Cariani, P., & Baker, J. M. (2025). Survey of temporal coding of sensory information. Frontiers in Computational Neuroscience, 19, 1571109. https://doi.org/10.3389/fncom.2025.1571109
Comsa, I.-M., Versari, L., Fischbacher, T., & Alakuijala, J. (2021). Spiking autoencoders with temporal coding. Frontiers in Neuroscience, 15, 712667. https://doi.org/10.3389/fnins.2021.712667
Cuadrado, J., Rançon, U., Cottereau, B. R., Barranco, F., & Masquelier, T. (2023). Optical flow estimation from event-based cameras and spiking neural networks. Frontiers in Neuroscience, 17, 1160034. https://doi.org/10.3389/fnins.2023.1160034
Deckers, L., Van Damme, L., Van Leekwijck, W., Tsang, I. J., & Latré, S. (2024). Co-learning synaptic delays, weights and adaptation in spiking neural networks. Frontiers in Neuroscience, 18, 1360300. https://doi.org/10.3389/fnins.2024.1360300
Ferreira, P. M., Wang, S., Gao, Y., & Benlarbi-Delai, A. (2025). A comparative review of deep and spiking neural networks for edge AI neuromorphic circuits. Frontiers in Neuroscience, 19, 1676570. https://doi.org/10.3389/fnins.2025.1676570
Fois, A., & Girau, B. (2023). Enhanced representation learning with temporal coding in sparsely spiking neural networks. Frontiers in Computational Neuroscience, 17, 1250908. https://doi.org/10.3389/fncom.2023.1250908
Forno, E., Fra, V., Pignari, R., Macii, E., & Urgese, G. (2022). Spike encoding techniques for IoT time-varying signals benchmarked on a neuromorphic classification task. Frontiers in Neuroscience, 16, 999029. https://doi.org/10.3389/fnins.2022.999029
Guo, W., Fouda, M. E., Eltawil, A. M., & Salama, K. N. (2021). Neural coding in spiking neural networks: A comparative study for robust neuromorphic systems. Frontiers in Neuroscience, 15, 638474. https://doi.org/10.3389/fnins.2021.638474
Guo, Y., Huang, X., & Ma, Z. (2023). Direct learning-based deep spiking neural networks: A review. Frontiers in Neuroscience, 17, 1209795. https://doi.org/10.3389/fnins.2023.1209795
Kim, Y., Kahana, A., Yin, R., Li, Y., Stinis, P., Karniadakis, G. E., & Panda, P. (2024). Rethinking skip connections in spiking neural networks with Time-To-First-Spike coding. Frontiers in Neuroscience, 18, 1346805. https://doi.org/10.3389/fnins.2024.1346805
Liu, S., Leung, V. C. H., & Dragotti, P. L. (2023). First-spike coding promotes accurate and efficient spiking neural networks for discrete events with rich temporal structures. Frontiers in Neuroscience, 17, 1266003. https://doi.org/10.3389/fnins.2023.1266003
Moqadasi, H., Safari, S., & Mateo, F. (2025). Temporal single spike coding for effective transfer learning in spiking neural networks. Scientific Reports, 15, 34094. https://doi.org/10.1038/s41598-025-14619-3
Nguyen, D.-A., Tran, X.-T., & Iacopi, F. (2021). A review of algorithms and hardware implementations for spiking neural networks. Journal of Low Power Electronics and Applications, 11(2), 23. https://doi.org/10.3390/jlpea11020023
Pietrzak, P., Szczęsny, S., Huderek, D., & Przyborowski, Ł. (2023). Overview of spiking neural network learning approaches and their computational complexities on neuromorphic hardware. Sensors, 23(6), 3037. https://doi.org/10.3390/s23063037
Qiu, X.-R., Wang, Z.-R., Luan, Z., Zhu, R.-J., Wu, X., Zhang, M.-L., & Deng, L.-J. (2023). VTSNN: A virtual temporal spiking neural network. Frontiers in Neuroscience, 17, 1091097. https://doi.org/10.3389/fnins.2023.1091097
Rathi, N., Chakraborty, I., Kosta, A., Sengupta, A., Ankit, A., Panda, P., & Roy, K. (2023). Exploring neuromorphic computing based on spiking neural networks: Algorithms to hardware. ACM Computing Surveys, 55(12), 1--49. https://doi.org/10.1145/3571155
Wang, Z., Yu, N., & Liao, Y. (2023). Activeness: A novel neural coding scheme integrating the spike rate and temporal information in the spiking neural network. Electronics, 12(19), 3992. https://doi.org/10.3390/electronics12193992
Wu, G., Liang, D., Luan, S., & Wang, J. (2022). Training spiking neural networks for reinforcement learning tasks with temporal coding method. Frontiers in Neuroscience, 16, 877701. https://doi.org/10.3389/fnins.2022.877701
Wu, J., Wang, Y., Li, Z., Lu, L., & Li, Q. (2024). A review of computing with spiking neural networks. Computers, Materials & Continua, 78(3), 2909--2939. https://doi.org/10.32604/cmc.2024.047240
Yamazaki, K., Vo-Ho, V.-K., Bulsara, D., & Le, N. (2022). Spiking neural networks and their applications: A review. Brain Sciences, 12(7), 863. https://doi.org/10.3390/brainsci12070863
Yu, C., Gu, Z., Li, D., Wang, G., Wang, A., & Li, E. (2022). STSC-SNN: Spatio-temporal synaptic connection with temporal convolution and attention for spiking neural networks. Frontiers in Neuroscience, 16, 1079357. https://doi.org/10.3389/fnins.2022.1079357
Yu, M., Xiang, T., P., S., Chu, K. T. N., Amornpaisannon, B., Tavva, Y., Miriyala, V. P. K., & Carlson, T. E. (2023). A TTFS-based energy and utilization efficient neuromorphic CNN accelerator. Frontiers in Neuroscience, 17, 1121592. https://doi.org/10.3389/fnins.2023.1121592
Zheng, H., Zheng, Z., Hu, R., Xiao, B., Wu, Y., Yu, F., Liu, X., Li, G., & Deng, L. (2024). Temporal dendritic heterogeneity incorporated with spiking neural networks for learning multi-timescale dynamics. Nature Communications, 15, 277. https://doi.org/10.1038/s41467-023-44614-z
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Jesus Rodríguez Flores, Paguay, Edgart Marchan Millan
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
ISSN: 3045-5537
