多突触脉冲神经元模型：实现时空动态同步编码的新型神经形态计算范式

本研究针对传统脉冲神经网络(SNN)中Leaky Integrate-and-Fire (LIF)神经元难以同时编码时空动态信息的瓶颈问题，受生物多突触连接启发提出Multi-Synaptic Firing (MSF)神经元模型。通过建立多阈值突触连接机制，首次实现空间强度(rate coding)与时间动态(temporal coding)的独立编码，将LIF和ReLU神经元统一为特例。研究团队推导出阈值间隔h=1的优化解及替代梯度参数准则，在ImageNet等基准测试中MSF神经元较LIF精度提升显著(COCO检测mAP↑10.4%)且保持低功耗优势(能耗↓17.8倍)，在事件驱动任务中超越ReLU网络性能。该成果发表于《Nature Communications》，为神经形态计算走向实际应用奠定基础。

　　

在人工智能追求更自然的信息处理方式时，传统人工神经网络(ANN)与生物神经系统间仍存在巨大鸿沟。特别是脉冲神经网络(SNN)虽然具有生物可解释性和时间动力学优势，但其基础单元LIF神经元面临一个根本性困境：要么通过rate coding牺牲时间信息处理能力，要么采用temporal coding丢失空间强度信息。这种"非此即彼"的编码方式严重限制了SNN在自动驾驶、脑机接口等需要同时处理时空信息的场景中的应用。更令人困扰的是，尽管神经科学研究早已发现生物神经元普遍存在多突触连接现象——单个轴突可在突触后神经元形成多个突触连接，但现有SNN模型却长期忽视这一关键生物学特征。

来自中国的研究团队通过深入研究大脑视觉皮层和听觉皮层的神经编码机制，发现生物神经元能通过多突触结构同时传递强度和时间信息。受此启发，他们创新性地提出Multi-Synaptic Firing (MSF)神经元模型，在单个时间步内通过多阈值机制实现"爆发式"脉冲发放。这种设计巧妙地将神经科学的发现转化为可计算的数学模型：当输入刺激强烈时，膜电位迅速升高触发多个突触同步发放；微弱刺激则仅引起单个或零脉冲响应。理论分析表明，当突触数量D=1时MSF退化为LIF神经元，而当D→∞时则逼近ReLU神经元，从而在数学层面统一了ANN与SNN的基础单元。

研究采用的关键技术包括：1)基于BPTT(Backpropagation Through Time)的直接训练算法；2)多阈值替代梯度优化方法；3)脉冲自编码器信号重建验证框架；4)跨模态测试平台(涵盖静态图像、动态事件流、EEG/ECG生物信号及强化学习环境)；5)神经形态芯片(Lynxi)部署验证。

多突触脉冲神经元模型

通过建立D个阈值分别为V_th^d的突触连接，MSF神经元在膜电位U^t,n超过V_th^d时触发第d个突触的脉冲S^t,n,d。实验证明当阈值间隔h=1时，替代梯度f'(·)能稳定在1附近，有效解决深层SNN训练中的梯度消失问题。在ImageNet重建任务中，MSF较LIF降低29.6%重建误差，视频重建误差降幅达42.9%。

信号重建验证

正弦波和方波重建实验显示，MSF能精确保留输入信号的时空特征。特别在静态信号(T=1)重建中，MSF(D=4)的强度分布误差显著低于rate-coded LIF(T=4)，证明其低延迟编码优势。

跨任务性能评估

在CIFAR-10分类任务中，MSF(T=1,D=4)以97.28%准确率超越LIF(96.46%)和ReLU(97.15%)，能耗仅0.65mJ(较ReLU降低17.8倍)。事件检测任务中，MSF在Gen1数据集达到73.7% mAP，较LIF提升显著且支持实时处理(16FPS@1.3W)。

生物医学应用

在DEAP情绪识别任务中MSF达到86.7%准确率(较LIF↑11.6%)，睡眠分期任务准确率提升至78.4%。EEG地形图显示MSF能更精确定位运动想象相关的脑区活动。

该研究通过仿生创新解决了SNN的核心编码困境：1)多突触结构稀疏性与人脑观测数据一致(94.88%神经元仅需单突触)；2)硬件部署保持原始参数规模(共享权重)；3)首次实现SNN在复杂检测任务(如自动驾驶)中超越ANN。这些突破使得神经形态计算向实际应用迈进关键一步，特别是为边缘设备上的实时时空信息处理提供了新范式。未来工作可探索突触数量的自适应演化机制，以及在异步事件驱动芯片上的进一步优化。