关于线性时不变系统的双神经元尖峰控制：一种混合系统方法

《Nonlinear Analysis: Hybrid Systems》：On two-neuron spiking control for linear time-invariant systems: A hybrid systems approach

　　

研究人员设计并分析了一个与单输入单输出线性时不变系统（linear time-invariant system, LTI system）闭环的双神经元尖峰控制器（spiking controller）。两个神经元使用泄漏积分点火（leaky integrate-and-fire, LIF）神经元模型进行建模，其输入取决于被控对象的输出。每当神经元达到正阈值时，每个神经元都会产生一个尖峰（spike）。线性时不变系统的控制输入由这些尖峰的序列给出，因此仅在尖峰时刻非零，因此在两个尖峰时间之间，系统开环演化。利用积分点火神经元动力学的事件驱动特性，研究人员将闭环系统建模为混合系统（hybrid system）。在存在噪声的一维线性时不变被控对象的特定情况下，研究人员证明了实际稳定性（practical stability）性质，并确保每个神经元产生的两个尖峰之间的时间始终大于或等于一个严格正常数。此外，研究人员将这些性质与神经元参数相关联，讨论了鲁棒性（robustness）性质，并对所提出的神经形态控制器（neuromorphic controller）的通用适用性提供了见解。结果通过数值示例进行了说明。

**论文解读：基于双神经元尖峰控制的线性时不变系统混合系统方法**

**研究背景与动机**

受脑启发技术（如能效、鲁棒性、精度和适应性）的潜在优势驱动，神经形态工程（neuromorphic engineering）领域近年来迅速发展。然而，现有神经形态控制（neuromorphic control）工作大多缺乏正式的技术分析，例如DeWeerth等人设计的神经形态比例微分控制器虽能可靠工作，但缺少稳定性保证。其他研究虽将尖峰神经网络（spiking neural network）用于控制，但尖峰被滤波后变为连续时间信号，并未利用尖峰本身的离散脉冲特性。因此，需一种形式化框架来分析和设计真正基于尖峰（spike）的控制器，为神经形态控制提供稳定性保障和参数调优指导。本文旨在填补这一空白，针对单输入单输出线性时不变系统（linear time-invariant system, LTI system），设计并分析一种基于两个泄漏积分点火（leaky integrate-and-fire, LIF）神经元的尖峰控制器，利用混合系统（hybrid system）工具进行建模和稳定性分析。

**研究内容与结论**

研究人员提出了一种双神经元尖峰控制器，与单输入单输出线性时不变系统构成闭环。每个神经元采用LIF模型，其输入为被控对象输出的正部分或负部分，当膜电位达到正阈值时产生尖峰，尖峰被建模为狄拉克δ脉冲（Dirac delta pulse），导致系统状态发生跳变。整个闭环系统被建模为混合系统，其中流（flow）对应于开环演化，跳（jump）对应于尖峰事件。针对一维不稳定线性时不变系统（即开环极点a>0），研究人员证明了实际稳定性（practical stability）性质：存在一个吸引域，使得初始状态在该区域内的解最终收敛到原点的一个邻域，邻域大小由尖峰幅度和噪声上界决定。同时，证明了每个神经元连续两次尖峰之间的时间严格大于一个正常数（个体驻留时间），从而排除了芝诺现象（Zeno phenomenon）。这些性质与神经元参数（阈值、尖峰幅度、泄漏参数）之间的定量关系被明确给出，并讨论了鲁棒性（robustness）性质。数值仿真和倒立摆（inverted pendulum）案例验证了理论结果，并展示了该方法向高维系统推广的潜力。论文发表在《Nonlinear Analysis: Hybrid Systems》。

**关键技术方法**

1. **泄漏积分点火（LIF）神经元模型**：用一阶微分方程描述膜电位在尖峰间的动力学，并包含阈值触发复位机制。
2. **尖峰作为狄拉克δ脉冲**：将尖峰建模为离散脉冲，导致系统状态在跳变时刻发生固定幅度的跳变。
3. **混合系统建模框架**：采用Goebel等人提出的混合系统形式化，定义流集（flow set）和跳集（jump set），流映射（flow map）和跳映射（jump map），将连续动力学与离散事件统一描述。
4. **李雅普诺夫型稳定性分析**：利用状态在跳变时的减小和流期间的指数增长之间的平衡，推导出参数条件（如α_min > W(μ_max+a)/μ_min），保证实际稳定性。
5. **个体驻留时间分析**：通过计算膜电位从零增长到阈值所需时间，导出每个神经元最小尖峰间隔的下界，由τ_? = Δ_?/Υ给出。

**研究结果**

**第3节 系统与神经形态控制器**：设计双神经元控制器，神经元i的膜电位ξ_i在尖峰间满足ξ?₁ = -μ₁ξ₁ + max{0, y}，ξ?₂ = -μ₂ξ₂ + max{0, -y}，其中y为含噪声的输出。当ξ_i ≥ Δ_i时产生尖峰，导致状态跳变：x⁺ = x - Bα₁（若神经元1触发）或x⁺ = x + Bα₂（若神经元2触发），且对应膜电位复位为0。整个系统被建模为混合系统（10）。

**第4节 稳定性分析**：针对一维系统（nx=1, A=a>0, B=C=1），通过定理1证明：若参数满足α_min > W(μ_max+a)/μ_min且ρ? < 1，则存在吸引域σΨ，使得状态最终收敛到以原点为中心、半径为2α_max+W的邻域。该结论通过分析尖峰时状态减小量与流期间指数增长量之间的平衡得出。

**第5节 尖峰间隔分析与最大解完备性**：通过命题1证明每个神经元产生的连续两次尖峰之间的时间至少为τ_? = Δ_?/Υ>0，其中Υ = Ψ+2α_max+2W，从而排除芝诺现象。通过命题2证明所有最大解都是完备的（即时间域无界）。

**第6节 数值例子**：以A=1, B=1, C=1的一维系统为例，在不同神经元参数和噪声水平下进行仿真。结果表明，实际稳态界小于定理1保证的界，且对称与非对称参数下均实现实际稳定。噪声存在时，即使参数不满足定理条件，系统仍能收敛，说明控制器具有更强的鲁棒性。通过1000次随机初始条件仿真，量化了参数对稳态界和最小尖峰间隔的影响（见表1）。

**第7节 讨论**：第7.1节讨论鲁棒性：混合系统模型满足基本条件（流集和跳集闭，流映射和跳映射连续），因此自动具有内在鲁棒性，无需额外分析。第7.2节讨论向高维系统的推广：通过倒立摆（线性化模型及非线性模型）的仿真，展示双神经元控制器能稳定直立位置，验证了该方法对高阶单输入单输出系统的适用性，并指出其控制逻辑类似于静态输出反馈u=ky。

**结论总结**：本文设计并分析了与单输入单输出线性时不变系统闭环的尖峰控制器。神经形态控制器基于两个可能具有不同参数的泄漏积分点火神经元。神经元输入为被控对象受加性有界测量噪声影响的输出。研究人员将整体系统建模为混合系统，并证明在一维线性时不变系统情况下，所提控制器保证系统状态的实际稳定性性质。此外，证明了每个神经元产生的任意两个尖峰之间的时间大于或等于一个严格正常数。研究人员还将所证明的性质与神经元参数相关联，并提供了尖峰控制器背后的逻辑见解。遵循该逻辑，研究人员在仿真中实现了倒立摆的双神经元控制器，这展示了所提神经形态控制器在高阶线性时不变系统中的潜力。这激励了旨在推广稳定性和驻留时间分析的未来研究方向。鉴于一维情况的分析已具有技术挑战性，研究人员计划研究其他可能的方法来为这些更一般的设定（高阶系统）正式保证所需性质。此外，除将结果扩展到高阶系统外，研究多输入多输出线性时不变系统也具有重要意义，此时可能需要设计具有多对神经元的尖峰控制器。对非线性被控对象的扩展也值得关注。另外，当前公式中两个神经元独立运行，探索引入神经元之间的耦合是否能改善性能是一个有趣的未来研究方向。考虑不同的神经元模型（如Hodgkin–Huxley模型）也在规划中。有趣的是，这些更真实的神经元模型可以在（模拟）硬件中实现。当在控制回路中使用更真实的神经元时，一个特别的挑战是这些模型包含所谓的“不应期”（refractory period），即神经元在产生一次尖峰后必须等待一段时间才能再次产生尖峰。另一个有趣的视角是设计一个尖峰控制器，使其在有利于闭环系统时产生尖峰，然后确保稳定性和性能性质。这种不同的方法将放宽本文方法引入的约束和挑战，因为本文方法使用神经元模型生成尖峰时刻。最后，在真实物理系统上实现所提出的尖峰控制器将是一个有趣的方向。