यह शोधपत्र स्पाइकिंग न्यूरल नेटवर्क (SNN) के मौजूदा अध्ययनों में ऊर्जा दक्षता के कम आंकलन को संबोधित करता है। मौजूदा अध्ययन केवल कम्प्यूटेशनल पहलुओं पर ध्यान केंद्रित करते हैं और डेटा मूवमेंट और मेमोरी एक्सेस जैसे ओवरहेड्स को अनदेखा करते हैं। इस शोधपत्र में, हम समय चरणों (T) पर विचार करते हुए कार्यात्मक रूप से समतुल्य क्वांटाइज्ड आर्टिफिशियल न्यूरल नेटवर्क (QNN) के लिए SNN को मैप करके एक उचित तुलना आधार रेखा स्थापित करते हैं। एक विस्तृत विश्लेषणात्मक ऊर्जा मॉडल के साथ, हम नेटवर्क विशेषताओं (T, स्पाइक दर, QNN विरलता, मॉडल आकार, वजन बिट स्तर) और हार्डवेयर विशेषताओं (मेमोरी सिस्टम, नेटवर्क-ऑन-चिप) पर विचार करते हुए एक विस्तृत पैरामीटर स्पेस का व्यवस्थित रूप से पता लगाते हैं। परिणामस्वरूप, हम पाते हैं कि कुछ ऑपरेटिंग स्थितियों के तहत SNN QNN की तुलना में अधिक ऊर्जा कुशल हैं, और दिखाते हैं कि एक उचित समय खिड़की (T ∈ [5, 10]) वाले SNN सामान्य न्यूरोमॉर्फिक हार्डवेयर स्थितियों के तहत एक निश्चित स्पाइक दर (sr) से नीचे QNN की तुलना में अधिक ऊर्जा कुशल हैं।
