Editing 类脑计算 (section)

= 实操部分：Python 模拟 SNN 基本神经元模型 =
纸上得来终觉浅，要真正理解类脑计算的奥妙，动手实验一下简单的模型是非常有帮助的。下面我们通过一个使用 '''Brian2''' 神经网络模拟库的小例子，来演示'''脉冲神经网络中基本神经元模型（LIF模型）的行为'''。Brian2 是一个专门用于模拟SNN的Python库，它允许我们用接近数学方程的形式定义神经元动力学，并进行数值模拟。

在本例中，我们将创建一个'''简单的单神经元模型'''：一个''泄漏整流一体化''（Leaky Integrate-and-Fire, LIF）神经元。它具有膜电位变量 <code>v</code>，接收一个恒定输入电流 <code>I</code>。当膜电位超过阈值时，神经元产生脉冲并重置电位。我们运行100毫秒模拟，观察该神经元产生脉冲的时间。
 <code># 安装并导入 Brian2（假设环境已安装）
 from brian2 import *
 
 <nowiki>#</nowiki> 定义神经元参数和方程
 tau = 10*ms        # 膜电位时间常数
 Vt = -50*mV        # 放电阈值 (阈值电位)
 Vr = -60*mV        # 重置电位 (放电后膜电位重置到此值)
 El = -60*mV        # 静息电位 (漏电平衡电位)
 
 <nowiki>#</nowiki> 定义单个LIF神经元的微分方程模型
 eqs = <nowiki>'''</nowiki>
 dv/dt = (El - v + I) / tau : volt (unless refractory)
 I : volt  # 输入电流作为外部驱动 (可看作常数或时变变量)
 <nowiki>'''</nowiki>
 
 <nowiki>#</nowiki> 创建一个包含1个神经元的NeuronGroup
 G = NeuronGroup(1, eqs, threshold='v > Vt', reset='v = Vr', refractory=5*ms, method='euler')
 
 <nowiki>#</nowiki> 初始化参数
 G.v = El      # 初始膜电位设为静息电位
 G.I = 2.0*mV  # 输入电流设置为2 mV, 推动膜电位升高
 
 <nowiki>#</nowiki> 设置监视器以记录脉冲发放时间
 spike_mon = SpikeMonitor(G)
 
 <nowiki>#</nowiki> 运行模拟100毫秒
 run(100*ms)
 
 <nowiki>#</nowiki> 输出神经元产生脉冲的时间点
 print("Spike times:", spike_mon.t[:])</code>
'''代码解析：''' 我们定义了LIF模型的微分方程 <code>dv/dt = (El - v + I) / tau</code>，其中膜电位 <code>v</code> 受到漏电项 <code>(El - v)</code> 和输入电流 <code>I</code> 的影响，并具有时间常数 <code>tau</code> 控制变化速度。阈值条件 <code>threshold='v > Vt'</code> 指定了当 <code>v</code> 超过 -50 mV 时神经元放电，执行 <code>reset='v = Vr'</code> 将膜电位重置为 -60 mV，并进入5毫秒的'''不应期'''（refractory）无法再次放电。我们给神经元施加了恒定的微小电流刺激 <code>I = 2 mV</code>，这会缓慢提升膜电位并在大约50ms时触发第一次脉冲，随后重置，再过一段时间可能触发第二次脉冲，等等。

运行上述代码后，<code>SpikeMonitor</code> 将记录神经元放电的时刻并打印出来（例如可能输出类似 <code>Spike times: [50.3 ms, 97.1 ms]</code> 表示该神经元在约50ms和97ms时刻各发放了一次脉冲）。这个简单示例展示了脉冲神经元随时间演化、阈值触发放电的行为机制。读者可以尝试修改输入电流 <code>I</code> 的大小，观察神经元放电频率如何变化：更大的电流驱动将使神经元更快地达到阈值、提高放电频率，反之减小电流则可能使神经元完全不发火。

通过此练习，我们直观理解了SNN中单个神经元的工作原理。基于类似原理，研究者可以构建包含成百上千神经元的网络，并赋予不同连接权重和可塑性规则，去执行更复杂的任务。