多突触神经元模型，类脑计算重要进展

近日，国防科技大学智能科学学院认知科学团队在类脑计算领域取得重要进展，研究成果以“用于同时编码时空动态的多突触脉冲神经元”（A multisynaptic spiking neuron for simultaneously encoding spatiotemporal dynamics）为题，在国际权威期刊《自然·通讯》（Nature Communications）刊出（DOI: 10.1038/s41467-025-62251-6），标志着类脑计算领域首个具有多阈值发放的多突触脉冲神经元模型问世。

论文由学校与中国科学院自动化研究所共同合作完成。智能科学学院讲师范良伟为该论文的第一作者，沈辉教授、李国齐研究员、胡德文教授为本论文共同通讯作者。该工作得到了国家自然科学基金、湖南省科技创新计划项目的支持。

多突触脉冲神经元模型

当前人工智能技术迅猛发展的同时，其高能耗问题也日益凸显。脉冲神经网络被认为是一种更具生物合理性、能效更高的计算范式。然而，目前业界仍缺乏一种在计算效率和生物合理性之间实现良好平衡的脉冲神经元模型，这成为制约 SNNs 发展与应用的关键问题之一。

多突触脉冲神经元模型兼具生物合理性和计算高效性，可以同时编码输入信号的时空动态信息，在不增加计算延迟和显著功耗的前提下，能够实现高性能的类脑计算。

研究受到生物学中“多突触连接”现象的启发，即允许神经元的一个轴突在同一目标神经元上建立多个具有不同发放阈值的突触。通过这种结构，多突触脉冲神经元可实现时空信息的同时编码，即借助不同突触的瞬时发放率和精确的脉冲时序来同时编码输入信号的空间强度分布与时间动态。

在理论层面上，该研究表明 MSF 神经元是一种通用且更精细的神经元抽象模型，传统的 LIF 神经元和经典的 ReLU 神经元可视作其在某些具体参数下的特例，从而揭示了 ANNs 与 SNNs 之间的内在联系。更重要的是，该研究进一步通过理论推导得到了最优的突触阈值选择方案，并提供了误差反向传播训练替代梯度函数的参数优化准则，避免了深层 SNNs 模型训练时出现梯度消失或爆炸问题，使基于 MSF 神经元构建的 SNNs 可扩展至大规模、深层模型而不发生性能退化。

在实验层面上，该研究首先通过信号重建任务，揭示了 MSF 神经元可通过独立的频率编码与时间编码方式，同时编码输入信号的空间强度分布与时间动态特性。图片和视频重建结果表明，基于 MSF 神经元构建的脉冲自编码模型重建出的图像具有更好的纹理、颜色等细节信息。

大量实验结果表明，该神经元相较于传统脉冲神经元取得了显著性能提升，并具有低功耗、低延迟、高硬件兼容性等优势。该成果推动了类脑计算向更复杂、更具自然智能的方向发展，为构建低功耗、高性能、可扩展的人工智能系统奠定了基础，有望加速脉冲神经网络在边缘计算等前沿领域中的实际落地与应用。

目前研究团队已成功将 MSF 神经元模型部署于国产神经形态硬件平台，并在真实自动驾驶场景下完成事件驱动的目标检测任务，验证了其在类脑计算芯片的硬件兼容性。