脉冲神经网络（SNN）的核心原理是什么？

脉冲神经网络（SNN）把信息视作离散的电压尖峰，而不是连续的数值向量，这一点决定了它的全部行为都围绕“何时发放”而展开。每一次尖峰都是一次事件，只有在膜电位跨越阈值的瞬间才会触发，这种异步、稀疏的通信模式让能耗直接与活动率挂钩，也正是大脑超低功耗的根本原因。

脉冲神经元的动力学

最常用的模型是泄漏积分-发放（Leaky Integrate‑and‑Fire，LIF），其离散化更新式可以写成

V[t+1] = α·V[t] + (1‑α)·R·I[t];  
if (V[t+1] ≥ V_thr) { spike(); V[t+1] = V_reset; }

其中 α=exp(‑Δt/τ_m) 表示膜电位的自然衰减，R·I[t] 为外部输入电流。每一步只做一次乘加和一次阈值比较，硬件实现时可以用电容放电和比较器完成，几乎不需要时钟。

信息的时序编码

把连续的感知信号映射为尖峰流，常见的方案有三种：

• 速率编码：单位时间内的尖峰数目与信号幅度成正比，易于实现但会产生大量冗余。
• 时间编码（Time‑to‑First‑Spike）：越强的刺激越早产生第一颗尖峰，信息压缩率极高。
• 相位编码：在全局振荡基准下，用相位差表征特征，适配事件相机的自然输出。

事件相机直接输出像素级的亮度变化事件，这些事件天然符合 AER（地址‑事件表示）协议，省去任何帧缓存和像素采样的中间步骤。

可塑性与学习机制

SNN 的学习核心在于突触权重的时序可塑性。两类方法在实践中最常碰到：

• STDP（尖峰时序依赖可塑性）：若前突触尖峰先于后突触尖峰出现，权重增强；相反则削弱。公式化后可以在硬件中用电流脉冲的宽度直接调制电阻，实现在线学习。
• 替代梯度（Surrogate Gradient）：在前向传播中保留硬脉冲的非线性，在反向传播时用光滑函数（如 Sigmoid）近似其梯度，使得误差可以通过链式法则传递到每个时间步。

这两者的区别在于前者完全局部、无需全局误差信号，后者则兼顾了深层网络的端到端优化能力，近年来的实验表明在 MNIST、DVS‑Gesture 等数据集上，两者的能耗-精度比均优于传统卷积网络。

综上，脉冲神经网络的核心原理可以归结为：用积分‑发放动力学把连续信号转化为稀疏尖峰，用时序编码把信息压缩进时间维度，用事件驱动的可塑规则完成学习。这套机制让 SNN 在边缘感知、实时控制等场景里，能够以毫瓦级的功耗完成与人脑相似的计算任务，这正是脉冲神经网络区别于传统网络的根本所在