本文第一作者為范良偉，國防科技大學(xué)講師。共同通訊作者分別為沈輝，國防科技大學(xué)教授；李國齊，中國科學(xué)院自動化研究所研究員、國家杰出青年基金獲得者；胡德文，國防科技大學(xué)教授、國家杰出青年基金獲得者、國防科技大學(xué)智能科學(xué)學(xué)院認(rèn)知科學(xué)團(tuán)隊(duì)創(chuàng)始人和帶頭人，2012、2018 年兩次獲國家自然科學(xué)獎二等獎。

當(dāng)前人工智能技術(shù)迅猛發(fā)展的同時，其高能耗問題也日益凸顯。脈沖神經(jīng)網(wǎng)絡(luò)（Spiking Neural Networks, SNNs）被認(rèn)為是一種更具生物合理性、能效更高的計算范式。

然而，目前業(yè)界仍缺乏一種在計算效率和生物合理性之間實(shí)現(xiàn)良好平衡的脈沖神經(jīng)元模型，這成為制約 SNNs 發(fā)展與應(yīng)用的關(guān)鍵問題之一。

具體而言，現(xiàn)有的脈沖神經(jīng)元模型 —— 包括泄漏積分發(fā)放（Leaky Integrate-and-Fire, LIF）、自適應(yīng) LIF（Adaptive LIF, ALIF）、霍奇金-赫胥黎（Hodgkin-Huxley, HH）以及多室模型（Multi-compartment models）—— 主要關(guān)注于模擬神經(jīng)元的動態(tài)行為，并假設(shè)神經(jīng)元之間僅通過單個突觸（即單通道）連接。

由于脈沖神經(jīng)元的信息表示方式是二值化的，單通道連接方式使得 SNNs 難以同時編碼輸入信號的空間強(qiáng)度分布與時間動態(tài)性。這種信號編碼過程中出現(xiàn)的信息損失使得 SNNs 在時空計算任務(wù)中的性能難以匹敵甚至超越連續(xù)值人工神經(jīng)網(wǎng)絡(luò)（ANNs）。

近日，國防科技大學(xué)智能科學(xué)學(xué)院胡德文課題組與中國科學(xué)院自動化研究所李國齊課題組合作提出了一種新型脈沖神經(jīng)元模型——多突觸發(fā)放（Multi-Synaptic Firing, MSF）脈沖神經(jīng)元（下圖 1）。

圖 1 多突觸脈沖神經(jīng)元模型

該神經(jīng)元模型兼具生物合理性和計算高效性，可以同時編碼輸入信號的時空動態(tài)信息，在不增加計算延遲或顯著功耗的前提下，能夠?qū)崿F(xiàn)高性能的類腦計算，相關(guān)研究在線發(fā)表于《自然?通訊》（Nature Communications）。

論?標(biāo)題：A multisynaptic spiking neuron for simultaneously encoding spatiotemporal dynamics作者：Liangwei Fan, Hui Shen, Xiangkai Lian, Yulin Li, Man Yao, Guoqi Li, and Dewen Hu論?鏈接：https://www.nature.com/articles/s41467-025-62251-6代碼鏈接：https://github.com/fanliangwei/Multisynaptic-spiking-neurons

研究概覽

本研究受到生物學(xué)中「多突觸連接」現(xiàn)象的啟發(fā)，即允許神經(jīng)元的一個軸突在同一目標(biāo)神經(jīng)元上建立多個具有不同發(fā)放閾值的突觸。這種現(xiàn)象在多種生物大腦中廣泛存在，包括秀麗隱桿線蟲、果蠅、小鼠、大鼠以及人類大腦。

通過這種結(jié)構(gòu)，MSF 神經(jīng)元可實(shí)現(xiàn)時空信息的同時編碼：即借助不同突觸的瞬時發(fā)放率和精確的脈沖時序來同時編碼輸入信號的空間強(qiáng)度分布與時間動態(tài)。

在理論層面上，該研究表明 MSF 神經(jīng)元是一種通用且更精細(xì)的神經(jīng)元抽象模型，傳統(tǒng)的 LIF 神經(jīng)元和經(jīng)典的 ReLU 神經(jīng)元可視作其在某些具體參數(shù)下的特例，從而揭示了 ANNs 與 SNNs 之間的內(nèi)在聯(lián)系。

更重要的是，該研究進(jìn)一步通過理論推導(dǎo)得到了最優(yōu)的突觸閾值選擇方案，并提供了誤差反向傳播訓(xùn)練替代梯度函數(shù)的參數(shù)優(yōu)化準(zhǔn)則，避免了深層 SNNs 模型訓(xùn)練時出現(xiàn)梯度消失或爆炸問題，使基于 MSF 神經(jīng)元構(gòu)建的 SNNs 可擴(kuò)展至大規(guī)模、深層模型而不發(fā)生性能退化。

在實(shí)驗(yàn)層面上，該研究首先通過信號重建任務(wù)，揭示了 MSF 神經(jīng)元可通過獨(dú)立的頻率編碼與時間編碼方式，同時編碼輸入信號的空間強(qiáng)度分布與時間動態(tài)特性（下圖 2）。圖片和視頻重建結(jié)果表明，基于 MSF 神經(jīng)元構(gòu)建的脈沖自編碼模型重建出的圖像具有更好的紋理、顏色等細(xì)節(jié)信息。

圖 2 信號重建任務(wù)

其次，在靜態(tài)與動態(tài)識別、基于圖像與事件流的目標(biāo)檢測、腦機(jī)接口以及強(qiáng)化學(xué)習(xí)等多個基準(zhǔn)任務(wù)上的大量實(shí)驗(yàn)結(jié)果表明，MSF 神經(jīng)元憑借其優(yōu)越的時空編碼能力，在不增加模型復(fù)雜度的前提下，性能相較于傳統(tǒng) LIF 神經(jīng)元取得了顯著提升。

特別地，在連續(xù)事件流的時空計算任務(wù)中，基于 MSF 神經(jīng)元構(gòu)建的 SNNs 甚至超越了基于 ReLU 神經(jīng)元構(gòu)建的、具有相同網(wǎng)絡(luò)結(jié)構(gòu)的 ANNs，并展現(xiàn)出更高的能效比（下圖 3）。

圖 3 靜態(tài)和動態(tài)識別任務(wù)

研究團(tuán)隊(duì)已成功將 MSF 神經(jīng)元模型部署于國產(chǎn)神經(jīng)形態(tài)硬件平臺，并在真實(shí)自動駕駛場景下完成事件驅(qū)動的目標(biāo)檢測任務(wù)，驗(yàn)證了其在類腦計算芯片的硬件兼容性（下圖 4）。

有趣的是，實(shí)驗(yàn)還發(fā)現(xiàn)訓(xùn)練后的模型在突觸數(shù)量分布上類似于觀察到的人類大腦皮層，進(jìn)一步印證了該模型具備一定的生物學(xué)合理性與可解釋性。

圖 4 神經(jīng)形態(tài)硬件上的部署

總結(jié)

該成果推動了類腦計算向更復(fù)雜、更具自然智能的方向發(fā)展，為構(gòu)建低功耗、高性能、可擴(kuò)展的人工智能系統(tǒng)奠定了基礎(chǔ)，有望加速 SNNs 在邊緣計算與神經(jīng)形態(tài)芯片等前沿領(lǐng)域中的實(shí)際落地與應(yīng)用。

研究團(tuán)隊(duì)表示，未來將繼續(xù)探索 MSF 神經(jīng)元在更廣泛任務(wù)中的應(yīng)用潛力，助力人工智能技術(shù)邁向更加智能、綠色與可持續(xù)的發(fā)展方向。

論文其它作者還包括國防科技大學(xué)連祥凱、李昱霖，中國科學(xué)院自動化研究所姚滿。相關(guān)工作得到了國家自然科學(xué)基金委重點(diǎn)項(xiàng)目、湖南省科技創(chuàng)新計劃項(xiàng)目等項(xiàng)目的支持。