解决自适应脉冲神经元的精度-速度仿真权衡问题

自适应漏积分发放（ALIF）模型是计算神经科学的基础，并有助于在 $\textit{in silico}$ 中研究我们的大脑。由于仿真这些神经模型的顺序性质，一个常见问题是速度-精度权衡：要么使用小离散时间步长（DT）精确仿真神经元（但速度慢），要么使用较大 DT 更快地仿真神经元但损失仿真精度。在此我们通过对 ALIF 模型进行算法重释来解决这一困境，降低了顺序仿真复杂度并允许在 GPU 上更高效的并行化。我们在合成基准上计算验证我们的实现，使用小 DT 获得了超过 $50\times$ 的训练加速。我们在不同监督分类任务上也取得了与标准 ALIF 实现相当的性能——但仅用了极少部分的训练时间。最后，我们展示了我们的模型如何能够快速且精确地拟合皮层神经元的真实电生理记录，其中极精细的亚毫秒 DT 对于捕获精确脉冲时序至关重要。