脉冲神经网络中基于短时突触可塑性的无监督训练后学习机制研究

为解决传统脉冲神经网络(SNN)训练后无法持续学习的问题，研究人员创新性地将短时突触可塑性(STP)与三重态时序依赖可塑性(Triplet STDP)结合，提出"训练后学习"新范式。研究表明，该机制使SNN在保持突触权重不变的情况下，通过神经递质释放动态调节突触效能，显著提升MNIST/EMNIST数据集分类准确率（最高提升17%），并增强模型抗噪能力。这一生物启发的多时间尺度学习策略为类脑计算提供了新思路。

　　

人脑作为动态学习系统，通过多时间尺度的突触可塑性实现复杂认知功能。然而当前脉冲神经网络(SNN)多依赖单一学习规则（如时序依赖可塑性STDP），且训练后突触权重固定，这与生物神经系统的持续适应能力存在显著差距。如何将生物学习机制融入SNN，成为类脑智能领域的关键挑战。

来自克尔曼沙医科大学医学技术研究中心和安特卫普大学的研究团队在《Scientific Reports》发表创新研究，提出将短时突触可塑性(STP)整合至已完成STDP训练的SNN中，实现"训练后学习"。通过设计包含三重态STDP训练阶段和STP增强阶段的两阶段学习管道，使网络在不改变突触权重前提下，通过神经递质释放动态调节突触效能。研究采用Brian2模拟器构建基于漏积分发放(LIF)模型的SNN，在MNIST/EMNIST数据集（含噪声/无噪声版本）上验证性能。关键技术包括：三重态STDP权重更新规则、Tsodyks-Markram(STP)动态突触模型、基于Poisson编码的输入转换，以及包含400个兴奋性神经元的网络架构。

方法
研究构建了三个学习管道：传统管道（仅Triplet STDP）、管道1（STDP+STP）、管道2（STDP+STP+标签更新）。Triplet STDP通过前/后突触活动痕迹(a_pre, a_post1, a_post2)实现长时程增强/抑制；STP则通过神经递质释放概率(u_s)和可用资源(x_s)动态调节突触电导（公式19：g_e←g_e+w+kwr_s）。

结果与讨论

1. 性能提升：管道2在噪声MNIST数据集准确率从58%提升至75%，所有数据集平均提升5.5-17%。STP的加入使网络收敛速度加快，首轮epoch准确率即提高15%。
2. 神经动态变化：STP使兴奋性神经元激活数量增加2-3倍（图5），同步放电现象更显著（图7），神经元贡献分数(NCS)分布更均匀（图9）。
3. 抗噪能力：噪声条件下，管道2性能下降幅度（MNIST降11%）仅为传统方法（降22.5%）的一半。
4. 计算代价：管道2因"标签更新"步骤使单epoch耗时增至102-105分钟，但显著优于联合训练STDP+STP的方案（耗时翻倍）。

结论
该研究首次证明SNN可通过STP实现训练后持续学习，突破传统"训练-冻结"范式。三重态STDP捕获长时模式特征，STP则通过神经递质动态释放（参数k=8-10.5时最优）增强短时信息处理，二者协同提升模型生物合理性与计算效能。未来可拓展至星形胶质细胞调控等更复杂生物机制研究。这项工作为开发具备持续学习能力的类脑智能系统提供了重要理论框架。