编辑推荐：
本研究针对传统脉冲神经网络（SNN）训练效率低下的问题，提出了一种结合无监督学习（Power-STDP）和强化学习（Actor-Critic）的新型学习方法（PSAC），显著提升了网络的收敛速度和分类精度，为低功耗神经形态计算提供了新思路
在当今数字化时代，人工智能的发展对计算能力提出了更高的要求。然而，传统计算架构在处理复杂任务时面临着功耗高、效率低等问题。近年来，生物启发的脉冲神经网络（SNN）因其低功耗、高效能的特点受到广泛关注。SNN通过模拟生物神经元的脉冲活动来处理信息，具有事件驱动、异步处理的优势，尤其适合应用于神经形态芯片等低功耗计算平台。然而，SNN的训练过程复杂，学习效率较低，限制了其广泛应用。为解决这一问题，伊朗沙希德·贝赫什提大学的研究人员提出了一种结合无监督学习（Power-STDP）和强化学习（Actor-Critic）的新型学习方法（PSAC），并将其应用于多个经典数据集（MNIST、EMNIST、CIFAR10和CIFAR100），取得了显著的成果。该研究不仅提高了SNN的训练效率和分类精度，还为神经形态计算的发展提供了新的理论支持。论文发表在《Scientific Reports》上，为人工智能领域的研究者提供了新的思路和方法。
在研究中，作者采用了以下几个关键技术方法：首先，基于生物神经元的漏电积分-发放（LIF）模型构建了SNN的神经元和突触模型；其次，通过无监督学习方法Power-STDP调整中间层突触权重，利用强化学习中的Actor-Critic模块优化输出层和中间层之间的连接权重；最后，通过在多个数据集上进行训练和测试，验证了PSAC方法的有效性。
研究背景与问题
随着人工智能技术的飞速发展，传统计算架构在处理复杂任务时面临着诸多挑战，如高功耗、低效率等。生物神经系统以其高效的计算能力和低能耗的特点，为解决这些问题提供了新的思路。脉冲神经网络（SNN）作为一种模拟生物神经元活动的计算模型，通过发放脉冲来传递信息，具有事件驱动、异步处理的优势，尤其适合应用于神经形态芯片等低功耗计算平台。然而，SNN的训练过程复杂，学习效率较低，限制了其广泛应用。为解决这一问题，研究人员提出了一种结合无监督学习（Power-STDP）和强化学习（Actor-Critic）的新型学习方法（PSAC），并将其应用于多个经典数据集（MNIST、EMNIST、CIFAR10和CIFAR100），取得了显著的成果。
研究方法
研究人员首先基于生物神经元的漏电积分-发放（LIF）模型构建了SNN的神经元和突触模型。LIF模型是一种经典的神经元模型，能够模拟生物神经元的膜电位变化和脉冲发放过程。在此基础上，研究人员设计了中间层和输出层的神经元连接，中间层由兴奋性锥体神经元（PY）和抑制性中间神经元（IN）组成，通过AMPA和GABA受体传递兴奋性和抑制性突触电流。
为了提高SNN的学习效率，研究人员提出了一种结合无监督学习（Power-STDP）和强化学习（Actor-Critic）的新型学习方法（PSAC）。Power-STDP是一种基于脉冲发放时间的突触可塑性规则，能够根据前突触和后突触脉冲的时间关系调整突触权重。强化学习中的Actor-Critic模块则通过奖励信号（Dopaminergic Signal）进一步优化突触权重的调整，从而提高网络的学习效率和分类精度。
研究结果
研究人员在多个经典数据集（MNIST、EMNIST、CIFAR10和CIFAR100）上验证了PSAC方法的有效性。实验结果表明，采用PSAC方法训练的SNN在MNIST、EMNIST（数字）、EMNIST（字母）、CIFAR10和CIFAR100数据集上分别取得了97.7%、97.95%、93.73%、93.6%和75%的分类精度，显著优于以往的SNN方法。此外，PSAC方法还具有更快的收敛速度，例如在MNIST和CIFAR10数据集上仅需6个训练周期即可达到较高的分类精度，而传统的SNN方法则需要更多的训练周期。
研究结论与讨论
本研究提出了一种结合无监督学习（Power-STDP）和强化学习（Actor-Critic）的新型学习方法（PSAC），并将其应用于脉冲神经网络（SNN）的训练。实验结果表明，PSAC方法不仅提高了SNN的分类精度，还显著加快了网络的收敛速度。此外，该方法还具有低功耗、稀疏脉冲活动等优点，适合应用于神经形态芯片等低功耗计算平台。该研究为神经形态计算的发展提供了新的理论支持，也为人工智能领域的研究者提供了新的思路和方法。未来，研究人员将进一步探索PSAC方法在更复杂任务中的应用，如时空模式识别、语音识别等。
