多突触神经元模型问世，国内团队打造类脑计算新引擎，登上《自然·通讯》

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（Spiking Neural Networks, SNNs）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。 具体而言，现有的脉冲神经元模型 —— 包括 泄漏积分发放 （Leaky Integrate-and-Fire, LIF）、自适应 LIF（Adaptive LIF, ALIF）、霍奇金-赫胥黎（Hodgkin- Huxley, HH）以及多室模型（Multi-compartment models）—— 主要关注于模拟神经元的动态行为，并假设神经元之间仅通过单个突触（即单通道）连接。 由于脉冲神经元的信息表示方式是二值化的，单通道连接方式使得 SNNs 难以同时编码输入信号的空间强度分布与时间动态性。这种信号编码过程中出现的信息损 失使得 SNNs 在时空计算任务中的性能难以匹敌甚至超越连续值人工神经网络（ANNs）。 近日， 国防科技大学智能科学学院胡德文课题组与中国科学院自动化研究所李国齐课题组合作提 ...