从 LIF 到 QIF：面向科学机器学习的可微分脉冲神经元
神经与进化计算
2025-11-11 v1 数值分析
数值分析
摘要
脉冲神经网络（SNN）提供了受生物学启发的计算方式，但在科学机器学习的连续回归任务中仍鲜有探索。在本工作中，我们引入并系统评估了二次积分发放（QIF）神经元，作为传统漏电积分发放（LIF）模型在直接训练的 SNN 和 ANN 到 SNN 转换框架中的替代方案。QIF 神经元表现出平滑且可微分的脉冲动力学，从而在多层感知机（MLP）、深度算子网络和物理信息神经网络（PINN）等架构中实现了基于梯度的训练与稳定优化。在函数逼近、算子学习和偏微分方程（PDE）求解的基准测试中，基于 QIF 的网络比其 LIF 对应网络产生了更平滑、更准确且更稳定的预测，而 LIF 网络则受限于不连续的时间步响应和锯齿状的激活表面。这些结果将 QIF 神经元定位为脉冲神经网络与连续值深度学习之间的计算桥梁，推动了神经科学启发的动力学向物理信息与算子学习框架的整合。
引用
@article{arxiv.2511.06614,
title = {From LIF to QIF: Toward Differentiable Spiking Neurons for Scientific Machine Learning},
author = {Ruyin Wan and George Em Karniadakis and Panos Stinis},
journal= {arXiv preprint arXiv:2511.06614},
year = {2025}
}