Recientemente, el aprendizaje profundo ha mostrado un rendimiento sobresaliente en varios campos. Aunque la inteligencia artificial logra un excelente rendimiento, la cantidad de energía requerida para los cálculos ha aumentado con su desarrollo. Por lo tanto, ha surgido la necesidad de una nueva arquitectura informática energéticamente eficiente, lo que nos lleva al ordenador neuromórfico. Aunque la computación neuromórfica presenta varias ventajas, como el paralelismo de baja potencia, muestra una menor precisión que el aprendizaje profundo. Por lo tanto, el principal desafío es mejorar la precisión manteniendo la eficiencia energética específica de la computación neuromórfica. En este documento, proponemos un método novedoso del proceso de inferencia que considera la probabilidad de que después de completar el proceso de aprendizaje, una neurona pueda reaccionar a múltiples etiquetas objetivo. Nuestro método propuesto puede lograr una precisión mejorada mientras mantiene las características de procesamiento paralelo de baja potencia y amigables con el hardware de un procesador neuromórfico. Además, este método convierte los recuentos de picos que ocurren en el proceso de aprendizaje en probabilidades. El proceso de inferencia se lleva a cabo para implementar la interacción entre neuronas considerando todos los picos que ocurren. Se espera que el circuito de inferencia muestre una reducción significativa en el costo del hardware y pueda permitir un algoritmo que exhiba un rendimiento informático competitivo.