Editing 类脑计算 (section)

== 受神经科学启发的学习算法：STDP 突触可塑性 ==
类脑计算不仅关注神经元的脉冲发放，还非常强调'''突触'''的作用。突触是连接神经元的桥梁，其连接强度（权重）决定了信号传递的效果。生物大脑中，突触连接会根据神经元活动而变化，被称为'''突触可塑性'''。其中一个著名机制是'''STDP（Spike-Timing-Dependent Plasticity，脉冲时序依赖可塑性）'''。STDP是一种'''无监督学习'''规则，其核心理念是：'''“同时激活的神经元会加强连接，不同步激活则削弱连接”''' (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)。

具体来说，在STDP中，如果一个突触的'''前神经元'''的脉冲'''领先'''后神经元脉冲（即突触前脉冲先到，紧接着突触后神经元也发放脉冲），则认为这个突触对促成后神经元发火有贡献，因而加强该突触的权重（对应生物学上的'''长时程增强LTP'''）；反之，如果突触前脉冲'''滞后'''于突触后脉冲（即后 neuron 已发火但前 neuron 才来脉冲），说明前 neuron 脉冲对后 neuron 激活无益甚至多余，于是削弱该突触权重（对应'''长时程抑制LTD'''） (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)。通过这种基于脉冲时间差的调整，网络能够自行涌现出对输入模式的敏感性：经常'''按序共同激活'''的神经元连接更紧密，不常一起激活的连接变得松散。这与Hebb早期提出的学习准则“一起开火的神经元连在一起”不谋而合，只是STDP进一步刻画了时间先后的影响。

STDP使SNN在没有外部监督信号时也能进行学习，被视为实现'''自适应、自主学习'''的重要机制之一 (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)。许多类脑不插电（脑风暴）系统利用STDP在实时学习环境下更新网络，比如让机器人在探索环境时，感觉-动作通路的突触通过STDP自动调整，以加强成功行动的神经链路。需要注意的是，STDP属于局部学习规则，不依赖全局误差，因此非常适合并行分布式实现，也契合生物神经网络的本地学习特征。