编辑推荐：
“文献扫描”专栏对网络领域近期发表的精选论文进行简明摘要，概述每篇论文的核心思想、方法论与技术贡献，旨在向《IEEE Network》读者呈现网络研究的前沿进展。研究人员亦欢迎推荐其近期发表的工作，尤其青睐具有新颖思路、扎实工作与显著领域贡献的论文。
脉冲神经
“文献扫描”专栏对网络领域近期发表的精选论文进行简明摘要，概述每篇论文的核心思想、方法论与技术贡献，旨在向《IEEE Network》读者呈现网络研究的前沿进展。研究人员亦欢迎推荐其近期发表的工作，尤其青睐具有新颖思路、扎实工作与显著领域贡献的论文。
脉冲神经网络（Spiking Neural Networks，SNN）受生物启发，通过离散尖峰（spike）在时间域编码信息，这种事件驱动（event-driven）范式相比传统人工神经网络（Artificial Neural Networks，ANN）具备低功耗优势，其价值在于低能耗、内禀时间处理能力与神经形态硬件兼容性。近期进展通过改进长时可塑性机制与创新尖峰编码方案显著提升了SNN的学习效率与表达能力。在无线网络中，SNN正成为传统深度学习模型的有力替代，其事件驱动特性适于处理稀疏异步无线信号，促进资源受限设备上的新型系统架构与智能感知应用。关键方向包括高效尖峰编解码、动态无线信道鲁棒学习、跨层协议集成与硬件高效实现，挑战则在于训练可扩展性、噪声鲁棒性与系统级集成。本期为展示SNN驱动无线通信系统的最新进展与新兴洞见提供综述。
SNN依赖尖峰时序依赖可塑性（Spike-Timing-Dependent Plasticity，STDP）作为无监督学习关键机制，依据精确尖峰时刻调整突触权重，天然适配高能效时间信号处理；但常规STDP难以刻画复杂时空模式，尤其在混合速率—时序编码输入下，高频刺激会削弱学习效能并掩盖精细时间相关性。近期研究通过引入生物启发的短期动力学（如突触疲劳与适应）增强时间学习，如下述论文所示。
研究人员提出硬件高效SNN框架，将疲劳STDP集成于混合忆阻器阵列，结合两类互补器件动力学，使短期突触疲劳与长期权值适应共存于统一突触单元，避免复杂外围电路并支持紧凑可扩展实现。实验显示器件特性稳定、均匀性高、循环开关可靠。系统级上，该SNN对速率与时序编码尖峰输入均实现无监督在线学习，对多样时间模式适应性强且在噪声下保持鲁棒，相比常规STDP更能捕捉时空相关性并抵御高频输入波动。
高效神经编码是另一核心挑战。常规速率编码（rate coding）以尖峰频率表信息但冗余尖峰多、时延与能耗高；时序编码（temporal coding）尤指单尖峰编码（single-spike coding）以精确尖峰时刻编码，更快更紧凑，适于边缘智能与人机接口，但硬件可靠实现困难，全忆阻器一致实现仍开放。Tiw等给出单尖峰编码忆阻硬件系统。
研究人员呈现端到端忆阻神经形态系统，以单尖峰编码服务高效人机接口，在硬件内集成尖峰编码、神经处理与突触计算。易失性VO2忆阻器实现高均匀性单尖峰神经元，实现最小变异的精确时间—尖峰（time-to-spike）编码；非易失性HfO2/TaOx忆阻器阵列作突触，支持存内向量—矩阵运算。针对器件非理想性，引入电导整合与优化编程策略缓解漂移、提升权值稳定。实验显示器件均匀性强、尖峰生成稳定，编码变异低于1%；系统级硬件性能接近软件基线，精度下降小于1.5%；实时演示中成功处理表面肌电（surface electromyography，EMG）信号控制车辆，相比常规速率编码系统能耗与时延大幅降低。
训练机制是SNN研究中枢。传统方法依赖ANN-to-SNN转换或替代梯度（surrogate gradient），均需稠密非局部计算与连续值信号，限制与事件驱动神经形态硬件兼容并折损节能潜力。预测编码（predictive coding）作为生物启发框架，借相邻层预测误差交换实现局部学习。Karlsson等给出SNN的尖峰原生预测编码公式。
研究人员提出差分预测编码（Difference Predictive Coding，DiffPC）框架，以全尖峰、局部学习规则训练SNN，将预测编码重构为尖峰原生范式，神经状态与误差信号均以稀疏三值尖峰而非稠密浮点表示；其基于差分的更新机制仅在状态变化超自适应阈值时触发通信，大幅减少冗余消息传递，并引入循环阈值调度（cyclic threshold scheduling）以提升收敛、用更少尖峰逼近连续动力学。实验在MNIST达99.3%、Fashion-MNIST达89.6%、CIFAR-10表现改善，媲美或优于反向传播与传统预测编码，同时通信开销降至万分之一以下。
超越编码效率，近期研究探索SNN用于端到端物理层信号处理。神经接收机（neural receivers）以统一学习架构替代信道估计、均衡、解调等块流水线；ANN虽强但算力能耗高。SNN借事件驱动与稀疏处理提供替代。Gupta等给出高能效SNN接收机。
研究人员提出面向5G-NR OFDM系统的SNN接收机NeuromorphicRx，以统一学习架构替代常规信号处理块；设计将领域知识融入输入表示，构建带残差连接深度SNN提升训练稳定性，采用SNN-ANN混合结构输出兼容标准解码的软输出，以替代梯度训练并含量化感知策略增强硬件约束鲁棒性。多信道条件（SNR、多普勒、信道模型变体）仿真显示，相比LS/LMMSE接收机块错误率显著改善，性能媲美ANN神经接收机，能耗降低约7.6×。
超越物理层，SNN扩展至高层语义通信（Semantic Communication，SC）协同智能：边缘设备中间特征传云联合推理，传输效率成瓶颈；常规DNN编码产生高维浮点特征，占带宽且需量化。SNN以二值尖峰与事件驱动天然替代。Wang等给出SNN-SC框架。
研究人员提出面向协同智能的SNN-SC框架，利用尖峰二值性直表语义、免额外量化；端到端架构中边缘编码器从中间表示提取紧凑语义特征，云端解码器重建供下游任务，新尖峰神经元模型联合尖峰与膜电位输出增强表示。图像分类与分割实验显示更高压缩比且性能强劲，噪声信道鲁棒性优于传统信源—信道分离方案，计算复杂度低于DNN-SC。
基于边云协同，SNN渐用于以人为中心无线感知（如食物识别、健康监测），需在资源受限噪声无线环境准确感知；移动端视觉特征高效上云使带宽能耗成关键瓶颈，细粒度食物识别类内差异大。Li等给出多尺度尖峰金字塔框架。
研究人员提出多尺度尖峰金字塔传输网络（Multi-scale Spiking Pyramid Transmission Network，MSPTN）用于食物识别，分层架构兼顾局部全局视觉模式以建模细粒度特性；发送端SNN将特征编码为稀疏二值尖峰序列直传数字信道降带宽能耗，低秩特征近似模块压缩维度保判别性，接收端注意力机制重建增强。基准数据集实验显示识别精度达SOTA且传输开销显著降，噪声无线条件鲁棒，特征传输量近降一个数量级，运行与内存效率提升。
研究背景方面，传统人工神经网络（Artificial Neural Networks，ANN）在无线网络场景中面临高计算与能量开销瓶颈，尤其在资源受限的边缘设备与异步稀疏无线信号处理中劣势明显。脉冲神经网络（Spiking Neural Networks，SNN）作为生物启发的时间域离散尖峰编码模型，具备事件驱动（event-driven）低功耗、内禀时间处理与神经形态硬件兼容性，正成为替代深度学习模型的重要方向。然而，SNN在无线系统中的落地仍受限于常规尖峰时序依赖可塑性（Spike-Timing-Dependent Plasticity，STDP）对复杂时空模式刻画不足、速率编码冗余导致时延能耗高、训练依赖非局部稠密计算、物理层与高层通信集成困难等问题。为此，研究人员在《IEEE Network》综述中指出，需从硬件突触动力学、单尖峰编码忆阻实现、局部预测编码训练、SNN物理层接收机、语义通信（Semantic Communication，SC）框架及以人为中心无线感知六个维度推进SNN驱动无线通信系统研究。
主要关键技术方法上，研究人员采用混合忆阻器阵列集成疲劳STDP以统一短时可塑性（突触疲劳）与长时权值适应；以易失性VO2与非易失性HfO2/TaOx忆阻器分别实现单尖峰神经元与存内突触运算，并用电导整合抑制漂移；提出差分预测编码（Difference Predictive Coding，DiffPC）以三值尖峰与阈值触发通信实现局部学习；在5G-NR OFDM系统构建带残差连接的深度SNN-ANN混合接收机并以替代梯度训练；构建端到端SNN-SC框架联合膜电位与尖峰输出；设计多尺度尖峰金字塔传输网络（MSPTN）结合低秩近似与注意力重建，各方法均基于公开基准数据集（MNIST、Fashion-MNIST、CIFAR-10、EMG信号、食物图像集等）验证。
研究结果部分，各小节结论如下。“Spiking Neural Networks With Fatigue Spike-Timing-Dependent Plasticity Learning Using Hybrid Memristor Arrays”中，Dang等通过混合忆阻器实验证明疲劳STDP可在统一突触单元共存短长期动力学，系统级无监督在线学习对速率与时序编码均适应，噪声与高频输入下时空相关性捕捉优于常规STDP。“An End-to-End Memristive Hardware System Based on Single-Spike Coding For Human-Machine Interfaces”中，Tiw等以全硬件单尖峰编码系统实现编码变异<1%、精度损失<1.5%，实时EMG控车演示中相比速率编码显著降低能耗与时延。“Difference Predictive Coding for Training Spiking Neural Networks”中，Karlsson等以DiffPC在MNIST（99.3%）、Fashion-MNIST（89.6%）与CIFAR-10达媲美反向传播精度，传输比特数降两个数量级。“NeuromorphicRx: From Neural to Spiking Receiver”中，Gupta等在5G-NR OFDM下以SNN接收机获优于LS/LMMSE的块错误率且能耗降约7.6×。“SNN-SC: A Spiking Semantic Communication Framework for Collaborative Intelligence”中，Wang等以二值尖峰直传语义免量化，压缩比与噪声鲁棒性优于DNN-SC且复杂度更低。“Multi-Scale Spiking Pyramid Wireless Communication Framework for Food Recognition”中，Li等以MSPTN实现SOTA食物识别精度，特征传输量近降一个数量级并提升运行内存效率。
讨论与结论翻译部分，研究人员总结：SNN凭借事件驱动与稀疏尖峰处理，在无线网络的物理层接收、语义通信、边云协同感知等场景具备替代ANN的能效优势；疲劳STDP、单尖峰忆阻硬件、DiffPC局部训练、SNN-ANN混合接收、SNN-SC与多尺度尖峰金字塔分别解决了可塑性表达、编码冗余、训练非局部性、物理层集成、特征传输带宽与细粒度感知效率问题。仍存挑战包括训练可扩展性、无线信道噪声鲁棒性及系统级跨层集成，未来需进一步耦合通信协议与 neuromorphic 硬件以实现实用化部署。
