SNN (Spiking neural networks) es un modelo de RNA que se fija más en las redes neuronales biológicas e incorporan el tiempo como una variable importante en su proceso. La activación de la neurona se produce cuando existe un “potencial de membrana“, no en cada ciclo de propagación.
El primer modelo de neuronas de impulso (HH) fue dado por y en 1.949. En este modelo la membrana de la neurona se trata como un circuito eléctrico, en el cual, la corriente total Im a través de la membrana, se calcula como la suma de las corrientes debidas a iones de potasio, Ik, de sodio, INa y a un componente de fuga, IL , que considera otros iones que se mueven pasivamente por la membrana, además de una corriente capacitiva Cm, donde Cm representa la capacitancia de la membrana y V, voltaje, depende del tiempo. El modelo queda representado por cuatro ecuaciones diferenciales.
Más tarde, en 1.961, Richard FitzHugh propone una simplificación bidimensional del modelo Hodgkin-Huxley y en 1.962 Jin-ichi Nagumo, Suguru Arimoto y Shuji Yoshizawa proponen el circuito equivalente.
Por otro lado, no se conocen (2.016) métodos de aprendizaje supervisados efectivos para las SNN que ofrezcan un rendimiento superior a los modelos de redes anteriores tipo RNR o CNN. La problemática de este tipo de red radica en que la sucesión de impulsos no son matemáticamente diferenciales, lo que impide el uso de la retrocesión, no podemos entrenar una SNN usando el descenso del gradiente sin perder la información temporal de la sucesión de impulsos.
La problematica computacional es encontrar un modelo que maneje la información mediante una sucesión de impulsos (picos), esto hace que dificulte su implantación en actividades prácticas quedando aún en el uso teórico y de investigación. Los modelos que actualmente se están utilizando tienen componentes totalmente conectados o convolucionales.