スパイキングニューラルネットワーク（SNN）は、生物にインスパイアされた有望なモデルであり、近年多くの注目を集めています。SNNのイベント駆動型通信メカニズムは、専用ニューロモーフィックハードウェア上での疎で理論上低消費電力の操作を可能にしますが、即時スパイクの二値性は情報の損失をもたらし、精度の低下を引き起こします。本記事では、低量子化誤差と最小限の推論遅延を提供し、全精度の人工ニューラルネットワーク（ANN）の性能に近づくことができる多階層スパイキングニューロンモデルを提案します。実験結果によると、多階層スパイキングニューロンは情報圧縮を改善し、パフォーマンスを損なうことなく遅延を削減します。画像分類シナリオにおいて、多階層SNNは2〜3倍のエネルギー消費削減を可能にし、推論遅延を1タイムステップに劇的に短縮します。また、Sparse-ResNetという新しい残差アーキテクチャを提案し、スパイクの伝播解析を通じてスパイクアバランシェ効果を強調しました。これにより、従来のスパイキングResNetと比較して20%以上のネットワーク活動の削減を実現しつつ、最先端の精度を保っています。