본 논문은 생물학적 신경망의 국소 가소성 메커니즘을 이해하여 에너지 효율적이고 자가 적응적인 정보 처리 시스템을 구축하는 것을 목표로 한다. 이는 엣지 컴퓨팅 시스템의 현재 어려움을 완화하는 데 기여할 수 있다. 기존 모델들이 스파이크 시간 또는 평균 발화율 중 하나에만 초점을 맞춘 것과 달리, 본 논문에서는 신경 활동을 추적하는 칼슘 흔적을 함수로 하는 헵비안 국소 학습 규칙을 제시한다. 이 규칙이 신경과학 연구의 스파이크 시간 및 스파이크 속도 프로토콜의 결과를 재현함을 보이고, MNIST 손글씨 인식에 스파이크 신경망을 훈련하여 실제 패턴 학습에 필요한 메커니즘을 설명한다. 특히 상관된 스파이크 활동에 대한 모델의 민감성을 보여주고, 이를 통해 신경망의 학습 속도를 조절하면서 신경의 평균 발화율이나 학습 규칙의 하이퍼파라미터는 변경하지 않음을 보인다. 본 연구는 스파이크 시간과 속도가 스파이크 신경망의 연결성 형성에 상호 보완적으로 작용하는 것을 최초로 보여준다.
