单时间步即足够：基于尺度-放火神经元的高性能 ANN 到 SNN 转换
神经与进化计算
2025-10-28 v1
摘要
脉冲神经网络（SNN）正逐渐成为资源受限环境下人工神经网络（ANN）的高效替代方案。虽然 ANN 到 SNN 转换（ANN2SNN）能够在无需端到端 SNN 训练的情况下实现高精度，但现有方法依赖较大的时间步，导致推理延迟和计算成本的增加。本文提出了一种针对单时间步 ANN2SNN 的理论与实用框架。我们建立了时序到空间等价理论，证明了多时间步积分-放火（IF）神经元可等价替换为单时间步多阈值神经元（MTN）。基于此理论，我们引入了尺度-放火神经元（Scale-and-Fire Neuron, SFN），通过自适应缩放和触发实现有效的单时间步（）脉冲。进一步，我们开发了基于 SFN 的脉冲 Transformer（SFormer），将 SFN 应用于 Transformer 架构中，通过将脉冲模式与注意力分布对齐，以缓解多阈值设计在计算、能耗和硬件方面的开销。 在图像分类、目标检测和实例分割等任务上进行的大量实验表明，我们的方法在单时间步推理下实现了领先的性能。值得注意的是，在 时我们在 ImageNet-1K 上实现了 88.8% 的 Top-1 准确率，超越了现有的转换方法。
引用
@article{arxiv.2510.23383,
title = {One-Timestep is Enough: Achieving High-performance ANN-to-SNN Conversion via Scale-and-Fire Neurons},
author = {Qiuyang Chen and Huiqi Yang and Qingyan Meng and Zhengyu Ma},
journal= {arXiv preprint arXiv:2510.23383},
year = {2025}
}