2019，nature 综述，脉冲神经网络

【脉冲神经网络（SNN）详解】 脉冲神经网络（Spiking Neural Networks，简称SNN）是一种模拟生物大脑神经元工作方式的计算模型。在SNN中，信息不是通过连续的电压变化来传递，而是以离散的动作电位或“尖峰”形式进行交流。这种基于事件的通信方式使得SNN在处理数据时具有更高的效率和能效。 SNN的灵感来源于神经科学的三大观察：广泛连接性、层次结构和时间依赖性。大脑中的神经元通过数以万亿计的突触相互连接，形成复杂的网络，信息在这些网络中通过尖峰传递。时间依赖性是指信息不仅包含尖峰的存在，还包括尖峰发生的时间，这种时间编码使得信息传递更加高效且节省能量。 深度学习网络（DLN）虽然在许多任务上表现出色，但其运行需要大量的计算资源。与之相比，SNN的计算机制更加接近生物大脑，因此在能源效率上有很大优势。例如，大脑在20W的功率下可以完成复杂的认知任务，而同等性能的计算机可能需要数百瓦的电力。这种差距促使科研人员探索基于SNN的神经形态计算，以实现低能耗的机器智能。 神经形态计算的发展历程包括从早期的晶体管模拟神经元和突触，到事件驱动的计算，再到现在的大型神经形态芯片。这些芯片的设计旨在模仿大脑的层次结构，通过尖峰驱动的通信来实现神经元和突触的计算，从而降低功耗。SNN的学习算法，如尖峰时间依赖性塑料性（STDP），也在不断探索和完善中。 SNN面临的挑战包括如何实现高效的尖峰学习算法、构建大规模的神经形态系统、以及解决硬件与软件的协同设计问题。尽管如此，SNN的潜力在于提供一种全新的计算范式，可能在未来引领人工智能进入一个既智能又节能的新时代。 脉冲神经网络作为一种模拟生物大脑的计算模型，通过尖峰通信和事件驱动的方式，展现了在处理复杂任务时的高能效和低能耗特性。随着神经形态计算技术的发展，SNN有望在未来的机器智能领域扮演重要角色，实现更接近人脑的智能行为，并解决现有AI系统的能源效率问题。