AIが解く世界の難問 · 計算機科学の理論 · arXiv · 2026-10-22
生物に着想を得た聴覚処理:並列Resonate-and-Fireダイナミクスと三値リカレントネットワークの結合による音声認識
原題: Bio-Inspired Auditory Processing: Coupling Parallel Resonate-and-Fire Dynamics with Ternary Recurrent Networks for Speech Recognition
スパイキングニューラルネットワークは省エネな推論が期待される一方、音声認識のような連続的で文脈依存のタスクでは、LIFニューロンが休止や音韻境界をまたいで情報を失うことがボトルネックとなっている。提案するSpiking Ternary GRU(stGRU)は、三値重みのゲート付きリカレントユニットが時間フィルタリングを担い、下流のResonate-and-Fireニューロンが二値スパイク列を生成することで、密な浮動小数点の行列乗算を回避する。LibriSpeech-960でエンドツーエンドに学習した結果、Largeモデルは外部言語モデルなしでtest-clean WER 6.44±0.17%に達し、学習済みANN系列デコーダを持たない行列MACフリーのスパイキングネットワークとして初めてLibriSpeechで一桁WERを達成した。訓練されたネットワーク内部では、浅層が高速な音響フィルタ、深層が遅い意味統合器として機能する深さに応じた階層が発達し、ヒト皮質で観察される階層的処理を反映している。