4、神经形态计算基础：脉冲神经网络(SNN)简介、LIF神经元模型、突触可塑性

4.1 从传统神经网络到脉冲神经网络

做视觉仿生系统，绕不开一个核心问题：生物神经元到底是怎么工作的？

传统的人工神经网络（ANN）用连续激活值来模拟神经元。比如ReLU、Sigmoid，输入一个实数，输出一个实数。这很数学，也很方便。但说实话，跟真实的生物神经元比起来，它简化得太多了。

生物神经元传递信息靠的是脉冲（Spike）。一个神经元在某个时刻“放电”了，就产生一个脉冲。不放电，就没有。信息编码在脉冲的时间和频率里，而不是在连续的数值里。

这就是脉冲神经网络（SNN）的出发点。它更贴近生物机制，也天然适合处理时空信息——比如视频流、触觉序列、听觉信号。我在做视觉仿生项目时，一开始用传统CNN处理动态视觉传感器（DVS）的数据，效果总是不理想。后来换成SNN，才真正体会到“时间维度”带来的优势。

你想想看，一个SNN神经元大部分时间都在“静默”，只有收到足够多的输入脉冲时才放电。这种稀疏计算特性，让SNN在硬件实现上天然省电。这也是为什么神经形态芯片（比如Intel的Loihi、IBM的TrueNorth）都采用SNN架构。

4.2 LIF神经元模型：最经典的脉冲神经元

SNN里最常用的神经元模型，就是LIF（Leaky Integrate-and-Fire）模型。名字有点长，但拆开看就很好理解：

• Leaky（泄漏）：膜电位会随时间自然衰减，就像水桶有个小洞
• Integrate（积分）：输入脉冲不断累积，膜电位逐渐升高
• Fire（放电）：膜电位超过阈值，就产生一个输出脉冲，然后复位

嗯，说白了就是一个带泄漏的积分器，加上一个阈值比较器。

4.2.1 LIF模型的数学描述

LIF模型的微分方程很简单：

τ * dV/dt = - (V - V_rest) + R * I(t)

其中：

• V：膜电位
• V_rest：静息电位（通常设为0或-70mV）
• τ：膜时间常数，控制泄漏速度
• R：膜电阻
• I(t)：输入电流（来自其他神经元的脉冲）

当 V >= V_th（阈值）时，神经元放电，然后 V 立即复位到 V_reset。

我在项目中遇到过一个问题：时间常数 τ 设得太小，神经元对输入过于敏感，动不动就放电；设得太大，又反应迟钝。后来我总结了一个经验——τ 通常设为输入脉冲间隔的2~5倍，这样既能累积信息，又不会过度泄漏。

4.2.2 离散化实现（代码示例）

实际编程时，我们需要把微分方程离散化。这里给一个简单的Python实现：

class LIFNeuron:
    def __init__(self, tau=10.0, v_rest=0.0, v_th=1.0, v_reset=0.0):
        self.tau = tau
        self.v_rest = v_rest
        self.v_th = v_th
        self.v_reset = v_reset
        self.v = v_rest  # 当前膜电位

    def step(self, I_input, dt=1.0):
        # 泄漏积分
        dv = (-(self.v - self.v_rest) + I_input) / self.tau * dt
        self.v += dv

        # 判断是否放电
        if self.v >= self.v_th:
            self.v = self.v_reset  # 复位
            return 1  # 产生脉冲
        else:
            return 0  # 无脉冲

这段代码虽然简单，但已经能跑通一个基本的LIF神经元了。我建议你动手跑一下，看看不同 tau 值对放电频率的影响。

4.3 突触可塑性：SNN的学习机制

有了神经元，还得有学习规则。SNN的学习跟ANN很不一样——你不能直接用反向传播，因为脉冲的“放电”操作不可微。

突触可塑性，说白了就是神经元之间的连接权重怎么调整。最经典的规则是STDP（Spike-Timing-Dependent Plasticity，脉冲时序依赖可塑性）。

4.3.1 STDP的核心思想

STDP的规则非常直观：

• 如果前突触神经元先放电，后突触神经元后放电（即前→后），说明前一个神经元对后一个神经元的放电有贡献，权重增强（长时程增强，LTP）
• 如果后突触神经元先放电，前突触神经元后放电（即后→前），说明前一个神经元“迟到”了，权重减弱（长时程抑制，LTD）

用数学公式表示就是：

Δw = 
  A_plus * exp(-Δt / τ_plus)   如果 Δt > 0（前→后）
  -A_minus * exp(Δt / τ_minus) 如果 Δt < 0（后→前）

其中 Δt = t_post - t_pre，即前后脉冲的时间差。

你想想看，这个规则多符合直觉：“你先触发了我，我就加强联系；你后触发我，我就减弱联系”。生物实验也证实了这一点。

4.3.2 我在项目中用STDP踩过的坑

我曾经在一个手势识别项目里用STDP训练SNN。一开始权重发散得厉害，神经元要么全放电，要么全静默。后来发现是 A_plus 和 A_minus 的比例没调好。

我的经验是：抑制系数（A_minus）通常要比增强系数（A_plus）大10%~20%。这样能防止权重无限增长，保持网络稳定。另外，时间常数 τ_plus 和 τ_minus 一般设为10~20ms，跟生物神经元的脉冲宽度一致。

4.4 本章知识体系总览

下面这张图总结了本章的核心逻辑：

4.5 小结与个人体会

SNN和LIF模型，说白了就是用时间换精度，用稀疏换功耗。它不像ANN那样能轻松达到99%的准确率，但在低功耗、实时性要求高的场景下，SNN有不可替代的优势。

我个人习惯在做视觉仿生系统时，先用LIF神经元搭一个基础SNN，然后用STDP做无监督预训练，最后用少量标注数据做监督微调。这样既保留了SNN的时序特性，又解决了纯STDP分类精度不够的问题。

嗯，这一章的内容就到这里。记住：脉冲是语言，时间是载体，可塑性是灵魂。搞懂了这三样，神经形态计算的大门就算敲开了。

---

公众号:蓝海资料掘金营，微信deep3321