MAP-SNN：将多重性、自适应性与可塑性映射至生物合理脉冲神经网络的脉冲活动

脉冲神经网络（Spiking Neural Network, SNN）因其更贴近人类大脑的基本工作机制，被认为具有更高的生物真实性与能效优势。近年来，基于反向传播（Backpropagation, BP）的SNN学习算法借助深度学习框架取得了良好性能。然而，这些基于BP的算法在一定程度上忽视了生物可解释性。为构建更具生物合理性（bio-plausible）的BP型SNN，本文在建模脉冲活动时引入三个关键特性：多重性（Multiplicity）、适应性（Adaptability）与可塑性（Plasticity），简称MAP。在多重性方面，本文提出一种多脉冲模式（Multiple-Spike Pattern, MSP），通过允许多个脉冲在离散时间迭代中传输，增强了模型的鲁棒性。为实现适应性，基于MSP引入脉冲频率适应机制（Spike Frequency Adaption, SFA），有效降低神经元的脉冲活动频率，从而提升计算效率。针对可塑性，本文设计了一种可训练的卷积突触结构，用于建模脉冲响应电流，增强脉冲神经元在时间特征提取方面的多样性。所提出的SNN模型在类脑计算数据集N-MNIST和SHD上均取得了具有竞争力的性能表现。实验结果进一步验证了MAP三要素在提升迭代鲁棒性、脉冲效率以及时间特征提取能力方面的关键作用。综上所述，本工作提出了一种基于MAP特性的生物启发脉冲活动建模方案，为将生物特性有效融入脉冲神经网络提供了新的类脑计算视角。