摘要
受生物神经元更精细建模的启发，脉冲神经网络（Spiking Neural Networks, SNNs）作为更具生物合理性的神经计算模型，同时具备实现生物神经元能量效率的潜力，近年来受到广泛关注。然而，与经典人工神经网络（ANNs）相比，SNNs的性能长期表现不足。本文中，我们展示了一种新型代理梯度（surrogate gradient）方法，结合可调谐且自适应的循环脉冲神经元网络，在时间域内的挑战性基准任务（如语音识别与手势识别）上实现了SNNs的当前最优性能。该方法不仅超越了标准的古典循环神经网络（RNNs），且接近现代最优ANNs的性能水平。由于这些SNNs具有稀疏脉冲特性，我们理论分析表明，其计算效率相较于性能相当的RNNs可提升一至三个数量级。综上所述，SNNs展现出在人工智能硬件实现中极具吸引力的应用前景。