基于历史 refractory 动态优化低延迟脉冲神经网络
神经与进化计算
2025-07-08 v1 人工智能
摘要
refactory 期控制神经元的放电频率，这对于网络的稳定性和抗噪能力至关重要。随着脉冲神经网络（SNN）训练方法的进步，低延迟 SNN 应用范围正在扩展。由于低延迟 SNN 的仿真步骤变短，传统的 refractory 机制（依赖经验分布或放电频率）已不够有效。然而，省略 refractory 期会增加神经元过激活的风险，降低系统对噪声的抗性。为此，我们提出了一种历史动态 refractory 期（HDRP）模型，该模型利用膜电位导数的历史 refractory 期来估计初始 refractory 期并动态调整其持续时间。此外，我们提出一种基于阈值的 refractory 核，以缓解神经元状态的过度积累。我们的方法保留了 SNN 的二进制特征，同时提升了噪声抗性和整体性能。实验结果表明，HDRP-SNN 显著减少了冗余放电，同时在静态数据集和神经器数据集上实现了最先进（SOTA）准确率。此外，HDRP-SNN 在抗噪能力上超越了人工神经网络（ANN）和传统 SNN，凸显了 HDRP 机制在提升低延迟 SNN 性能中的关键作用。
引用
@article{arxiv.2507.02960,
title = {Optimization of Low-Latency Spiking Neural Networks Utilizing Historical Dynamics of Refractory Periods},
author = {Liying Tao and Zonglin Yang and Delong Shang},
journal= {arXiv preprint arXiv:2507.02960},
year = {2025}
}