NEXUS：基于神经形态门电路的位精确 ANN-to-SNN 等价性与无代理训练
神经与进化计算
2026-02-02 v2 人工智能
摘要
脉冲神经网络 (SNN) 借助事件驱动稀疏性实现能源高效计算，然而现有方法均通过用离散脉冲近似连续值，牺牲了准确性。我们提出 NEXUS 框架，实现位级精确的 ANN-to-SNN 等价性——而非近似，而是数学上完全相同的输出。我们的关键洞察是：构建所有算术运算（线性与非线性），均由纯 IF 神经元逻辑门实现，这些逻辑门实现 IEEE-754 符合浮点运算。通过空间位编码（零编码误差由构造实现），层次化神经形态门电路（从基本逻辑门到完整 transformer 层），以及无代理的 STE 训练（精确恒等映射而非启发式近似），NEXUS 产生的数值输出与标准 ANN 完全相同，误差仅为机器精度。实验表明，在最高达到 LLaMA-2 70B 的模型规模下，NEXUS 保持与标准 ANN 完全相同的任务准确率（0.00% 退化），平均 ULP 误差仅 6.19，同时在神经形态硬件上实现 27 倍至 168000 倍的能耗降低。关键在于，空间位编码的单时延设计使框架对膜电位泄漏（在所有衰减因子 β∈[0.1,1.0] 下均实现 100% 准确率）天然免疫，同时对抗性噪声抗容至 σ=0.2，门级准确率 >98%。
关键词
引用
@article{arxiv.2601.21279,
title = {NEXUS: Bit-Exact ANN-to-SNN Equivalence via Neuromorphic Gate Circuits with Surrogate-Free Training},
author = {Zhengzheng Tang},
journal= {arXiv preprint arXiv:2601.21279},
year = {2026}
}
备注
7 pages, 6 tables, 2 figures. Preprint (January 28, 2026)