ETD

• deep learning
• hybrid architectures
• neuromorphic computing
• spiking neural networks
• time series analysis

ITA: Lo scopo di questa tesi è presentare l'ideazione e lo sviluppo di spiking neural networks ibride che integrino le dinamiche degli oscillatori meccanici per il deep learning, basandosi sull'architettura Random Oscillators Network (RON). Vengono proposte due nuove architetture: Spiking RON (S-RON), la quale incorpora un neurone spike di tipo Leaky-Integrate-and-Fire nell'excitation layer di RON; Mixed RON (M-RON), la quale combina unità spiking e oscillatori meccanici all'interno del suo hidden layer. I modelli ibridi vengono poi valutati su time series e dataset event-based, dimostrando le loro prestazioni per task sia di classificazione sia di regressione.

ENG: The aim of this thesis is to present the design and development of hybrid spiking neural networks that integrate the dynamics of mechanical oscillators for deep learning, based on the Random Oscillators Network (RON) architecture. Two new architectures are proposed: Spiking RON (S-RON), which incorporates a Leaky-Integrate-and-Fire spiking neuron in the excitation layer of RON; Mixed RON (M-RON), which combines spiking units and mechanical oscillators within its hidden layer. The hybrid models are then evaluated on time series and event-based datasets, demonstrating their performance for both classification and regression tasks.