Bullet Trains：并行化时序精确脉冲神经网络的训练
神经与进化计算
2026-05-28 v2 机器学习
摘要
连续时间、事件原生脉冲神经网络（SNN）严格基于脉冲事件运行，将脉冲时间和顺序作为表示而非时间离散的副产品。这种观点与生物计算相吻合，也与事件传感器和神形态处理器的本机分辨率一致，同时实现随脉冲事件数量而扩展的计算和内存规模。然而，两个挑战阻碍了实际可训练的事件基础 SNN 系统：1）精确的电荷-放电-复位动力学导致输入脉冲的本质顺序处理；2）必须在不使用时间离散化的情况下求解精确脉冲时间。我们解决了这两个问题。首先，我们使用并行关联扫描一次性处理多个输入脉冲，在保持精确硬复位动力学的同时实现最高 44 倍的顺序仿真加速。其次，我们实现可微分的脉冲时间求解器，可在不离散时间近似或限制性解析假设的情况下将脉冲时间计算到机器精度。我们在 GPU 上演示了使用这些解决方案在四个事件数据集上训练 SNN 的可行性。
引用
@article{arxiv.2603.13283,
title = {Bullet Trains: Parallelizing Training of Temporally Precise Spiking Neural Networks},
author = {Todd Morrill and Christian Pehle and Anthony Zador},
journal= {arXiv preprint arXiv:2603.13283},
year = {2026}
}
备注
Published as a conference paper at ICML 2026