Editing 类脑计算 (section)

== 脉冲神经网络（SNN, Spiking Neural Network） ==
'''脉冲神经网络'''是第三代神经网络模型的代表，它直接模拟生物神经元通过脉冲发放进行通信 (神经网络算法 - 一文搞懂SNN（脉冲神经网络） - 文章 - 开发者社区 - 火山引擎)。与传统神经网络使用连续激活值不同，SNN中的神经元以**离散的电压脉冲（也称“尖峰”）**作为信号。当神经元的膜电位累积超过某个阈值时，就会触发一次脉冲尖峰输出，随后膜电位复位，这一过程类似于生物神经元的放电机制 (神经网络算法 - 一文搞懂SNN（脉冲神经网络） - 文章 - 开发者社区 - 火山引擎)。由于脉冲具有时间间隔，SNN天然地把时间编码进了计算过程，使网络能够处理时序信息和动态信号 (神经网络算法 - 一文搞懂SNN（脉冲神经网络） - 文章 - 开发者社区 - 火山引擎) (神经网络算法 - 一文搞懂SNN（脉冲神经网络） - 文章 - 开发者社区 - 火山引擎)。例如，在声音处理、传感器信号等需要时间维度的任务中，SNN相对于传统神经网络有潜在优势。

SNN的工作原理可以这样理解：神经元之间通过'''突触'''连接，突触传递的不是连续电流值，而是一连串0/1式的脉冲事件。每个脉冲到达突触时会对后续神经元的膜电位造成瞬时影响（可能使其电位升高一点）。神经元膜电位像一个充电容器，持续受到前驱脉冲的积累影响并发生泄露衰减（模拟膜电位的遗忘性）。如果在短时间内累积足够多刺激使膜电位超阈，则该神经元放电（输出脉冲）；否则保持静默。在SNN中，'''神经元的状态随时间演化'''，网络通过脉冲的时间编码来计算。这种机制更接近真实大脑信息处理，因此被视作通往高效智能计算的新途径 (神经网络算法 - 一文搞懂SNN（脉冲神经网络） - 文章 - 开发者社区 - 火山引擎)。

值得注意的是，由于脉冲信号的离散性和非线性，传统梯度下降算法难以直接用于训练SNN。研究者提出了多种变通方法，如基于阈值触发的近似导数（surrogate gradient）来训练深层SNN，或者先训练等价的非脉冲网络再转换为SNN。在下面的实操部分，我们将通过一个简单示例演示SNN中'''脉冲神经元模型'''的行为。