CogniSNN：基于随机图架构实现神经元可扩展性、通路可重用性和动态可配置性的脉冲神经网络
神经与进化计算
2025-12-15 v1 人工智能
摘要
脉冲神经网络 (SNN) 被视为人工神经网络的第三代，旨在弥合人工智能与计算神经科学之间的鸿沟。然而，大多数主流 SNN 研究直接采用传统人工神经网络 (ANN) 的刚性链式层级结构，忽视了大脑结构特征的关键要素。生物神经元具有随机互联，形成复杂的神经通路，表现出神经元可扩展性、通路可重用性和动态可配置性。本文引入一种新的 SNN 范式，称为认知感知型脉冲神经网络 (CogniSNN)，通过融合随机图架构 (RGA)。此外，我们通过引入改进的纯脉冲残差机制和自适应池化策略，解决了深层通路中的网络退化和维度不匹配问题。然后，我们设计了基于关键通路的无忘学习 (KP-LwF) 方法，该方法选择性地重用关键神经通路，同时保留历史知识，从而实现高效的多任务迁移。最后，我们提出了动态增长学习 (DGL) 算法，使神经元和突触能够沿内部时间维度动态增长。广泛的实验表明，CogniSNN 在仿生数据集和 Tiny-ImageNet 上的性能与当前最先进的 SNN 相当，甚至更好。通路可重用性增强了网络在不同情景下的持续学习能力，而动态增长算法提高了对干扰的鲁棒性，并减轻了在仿生芯片部署期间固定时间步长的限制。这一工作展示了具有随机图结构的 SNN 在推动脑类智能和其在仿生硬件上的实际应用方面的潜力，并为其实际应用奠定了基础。
引用
@article{arxiv.2512.11743,
title = {CogniSNN: Enabling Neuron-Expandability, Pathway-Reusability, and Dynamic-Configurability with Random Graph Architectures in Spiking Neural Networks},
author = {Yongsheng Huang and Peibo Duan and Yujie Wu and Kai Sun and Zhipeng Liu and Changsheng Zhang and Bin Zhang and Mingkun Xu},
journal= {arXiv preprint arXiv:2512.11743},
year = {2025}
}