スパイキングニューラルネットワーク（SNN）は、脳の働きにインスパイアされた新しい世代のニューラルコンピューティングを提供するもので、従来の人工ニューラルネットワーク（ANN）とは異なり、連続的な信号に依存せず、明確なスパイクイベントを使用します。これにより、SNNはエネルギー効率が高く、時間的にダイナミックな特性を持ちます。この記事では、SNNの設計モデル、トレーニングアルゴリズム、および多次元性能指標（精度、エネルギー消費、レイテンシ、スパイク数、収束挙動）について詳しく分析しています。LIFモデルやサロゲイト勾配降下法、ANNからSNNへの変換、スパイクタイミング依存可塑性（STDP）などの手法が検討され、サロゲイト勾配によるトレーニングはANNの精度に非常に近づくことが示されています。SNNはロボティクスやエッジAIシステムなどのエネルギー制約のある応用に最適であり、さらなる改良が期待されているものの、ハードウェアの標準化やスケーラブルなトレーニングに関する課題は残っています。