QB-LIF：用于高效 SNN 的可学习尺度量化脉冲神经元
计算机视觉与模式识别
2026-04-29 v1
摘要
二值脉冲编码在脉冲神经网络 (SNN) 中实现了稀疏且事件驱动的计算，然而其每时间步 1 比特的表示从根本上限制了信息吞吐量。在短仿真视界的深度架构中，这一瓶颈变得日益受限。我们提出了量化脉冲 LIF (QB-LIF) 神经元，它将脉冲发放重新表述为具有可学习尺度的膜电位饱和均匀量化。QB-LIF 不依赖预定义的多阈值结构，而是将量化尺度作为可训练参数，允许每层自主调整其脉冲分辨率以适应潜在的膜电位统计特性。为保持硬件效率，我们引入了可吸收尺度策略，在推理期间将学习到的量化尺度折叠进突触权重，维持了严格的仅累加 (AC) 执行范式。为了在离散多级空间中实现稳定优化，我们进一步设计了 ReLSG-ET，一种具有指数尾部的修正线性替代梯度，可在脉冲间隔内维持梯度流。在静态（CIFAR-10/100, ImageNet）和事件驱动（CIFAR10-DVS, DVS128-Gesture）基准上的大量实验表明，QB-LIF 始终优于二值和固定脉冲 SNN，在超低延迟下实现了更高的精度，同时保持了神经形态兼容性。
引用
@article{arxiv.2604.25688,
title = {QB-LIF: Learnable-Scale Quantized Burst Neurons for Efficient SNNs},
author = {Dewei Bai and Hongxiang Peng and Jiajun Mei and Yang Ren and Hong Qu and Dawen Xia and Zhang Yi},
journal= {arXiv preprint arXiv:2604.25688},
year = {2026}
}