メモリスタ
スパイキングニューラルネットワークでのSTDPベースのパターン認識学習に必要な条件
Memristor：
Memristor、Memristor（Memristor）のフルネーム。磁束と電荷の関係を表現する回路装置です。Memristiveには抵抗の次元がありますが、抵抗とは異なり、memristiveの抵抗はそれを流れる電荷によって決定されます。したがって、メモリスティブの抵抗を測定することにより、メモリスティブを流れる電荷の量を知ることができ、メモリ電荷の機能を持ちます。
より微妙な動的応答及びネットワーク入力（ロボ、デルのSer、BiFET装置及び＆Kasabov 2020）に対応するオブジェクトの特徴の豊富な表現を提供することができるDNN、ピーク速度と時間でSNN符号化情報と比較して
このされ音声やビデオなどの時系列を処理し、モバイルデバイスやロボットデバイスの制御信号を生成する場合に特に顕著です（Xia＆Yang、2019）。
さらに、SNNトレーニングは、シナプス荷重の更新に関するローカルルールに基づいており、シナプス前ニューロンとシナプス後ニューロンからの情報のみを必要とします。リアルタイムトレーニングのコンパクトで低電力の実装の場合、これは大きな利点になる可能性があります。これは、重みの更新で、ネットワークの深層のニューロンのエラー勾配を毎回計算し、より複雑なネットワークに拡張する必要がないためです（Merolla etal。People、2014）。
ローカルルールは、介在ニューロンの抑制やニューロン間の競合など、正しい再帰的（後方およびレイヤー内）接続の変更を提供する場合があります。これにより、ラベル付けされたトレーニングデータセットのサイズの要件が大幅に削減される可能性があります（Demin＆Nekhaev、2018）。
STDPの基本的なペアモデルによると、シナプス前ニューロンがシナプス後ニューロンの直前にスパイクすると、シナプスの重みが増加します（因果関係を示します）。シナプス後ニューロンがたまたまシナプス前ニューロンである場合、スパイクの前にシナプスの重みが減少します。-シナプス（非因果関係を反映）（Bi＆Poo、1998）。
STDPのメモリスタの実装は、ヘテロシナプスの可塑性またはドーパミンのような補助メカニズムによっても制御できます。これにより、生物学的に着想を得た強化学習アルゴリズムを実現できます（Maier et al。、2016; Nikiruy et al。、2019）。これにより、STDPメカニズムは、メモリスタに基づくSNNの教師あり学習と教師なし学習の基礎になります（Covi et al。、2016）。