小规模脉冲神经网络分类性能中的幂律标度
神经元与认知
2026-01-22 v1
摘要
本文基于漏电积分触发（LIF）神经元模型，研究了小规模脉冲神经网络的分类能力。我们分析了分类准确率与三个因素之间的关系：神经元数量、刺激节点数量和分类类别数量。值得注意的是，我们采用大语言模型（LLM）来辅助发现这些变量之间潜在的函数关系，并将其性能与线性拟合和多项式拟合等传统方法进行了比较。实验结果表明，分类准确率主要与类别数量呈幂律标度关系，而神经元数量和刺激节点数量的影响相对较小。基于 LLM 的方法的一个关键优势在于，它能够提出超越预定义方程模板的合理函数形式，通常能对观测到的标度律给出更简洁或更准确的数学描述。这一发现对于理解生物神经系统中的高效计算以及开创 AI 辅助科学发现的新范式具有重要意义。
引用
@article{arxiv.2601.14961,
title = {Power-Law Scaling in the Classification Performance of Small-Scale Spiking Neural Networks},
author = {Zhengdi Zhang and Cong Han and Wenjun Xia},
journal= {arXiv preprint arXiv:2601.14961},
year = {2026}
}