HetSyn：基于异构突触实现脉冲神经网络的可调节时间尺度集成
神经元与认知
2025-08-19 v1 机器学习
摘要
脉冲神经网络（SNN）提供了一种生物学可信且高效的时序信息处理框架。然而，既有研究忽视了生物神经元中广泛观察到的一种基本属性——突触异构性，这在时序处理和认知功能中发挥关键作用。为弥合这一差距，我们引入HetSyn，一个建模突触异构性的通用框架，突触特有的时常数。这种设计将时间积分从膜电位转移到突触电流，实现可调节的时间尺度集成，使模型能够捕捉多样化的突触动力学。我们将HetSyn实现为HetSynLIF，一种在突触特有衰减动力学下扩展的漏积积分-放电（LIF）模型。通过调整参数配置，HetSynLIF可 specialized 为vanilla LIF神经元、带阈值适应性的神经元以及神经元级异构模型。我们展示说HetSynLIF不仅提升了SNN在各种任务（包括模式生成、延迟匹配-到-样本、语音识别和视觉识别）中的性能，还表现出对噪声的强鲁棒性、改进的工作记忆性能、受限神经元资源下的效率以及跨时间尺度的泛化能力。此外，对所学习突触时常数的分析揭示了与生物突触中经验观察相符的趋势。这些发现凸显了突触异构性在实现高效神经计算中的重要性，为脑类比时序建模提供了新视角。
引用
@article{arxiv.2508.11644,
title = {HetSyn: Versatile Timescale Integration in Spiking Neural Networks via Heterogeneous Synapses},
author = {Zhichao Deng and Zhikun Liu and Junxue Wang and Shengqian Chen and Xiang Wei and Qiang Yu},
journal= {arXiv preprint arXiv:2508.11644},
year = {2025}
}