Spiking neuronale Netze (SNNs) haben in verschiedenen intelligenten Szenarien ausgezeichnete Fähigkeiten gezeigt. Die meisten existierenden Trainingsmethoden für SNNs basieren auf dem Konzept der synaptischen Plastizität; jedoch nutzt das reale Gehirn auch intrinsische nicht-synaptische Mechanismen von Neuronen zum Lernen. Der Spike-Schwellenwert biologischer Neuronen ist eine entscheidende intrinsische neurale Eigenschaft, die eine reichhaltige Dynamik auf Millisekundenzeitmaßstab zeigt und als grundlegendes Prinzip vorgeschlagen wurde, das die neuronale Informationsverarbeitung fördert. In dieser Studie entwickeln wir einen neuen synergetischen Lernansatz, der das gleichzeitige Training von synaptischen Gewichten und Spike-Schwellenwerten in SNNs umfasst. SNNs, die mit synergetischem Synapse-Schwellenwert-Lernen (STL-SNNs) trainiert wurden, erzielen bei verschiedenen statischen und neuromorphen Datensätzen signifikant bessere Leistungen als SNNs, die mit zwei degenerierten Einzel-Lernmodellen trainiert wurden. Während des Trainings optimiert der synergetische Lernansatz die neuronalen Schwellenwerte, wodurch das Netzwerk über stabile Signalübertragung durch geeignete Feuerraten verfügt. Eine weitere Analyse zeigt, dass STL-SNNs robust gegenüber verrauschten Daten sind und für tiefe Netzstrukturen niedrigen Energieverbrauch aufweisen. Zudem kann die Leistung von STL-SNN durch Einführung eines verallgemeinerten gemeinsamen Entscheidungsrahmens weiter verbessert werden. Insgesamt deuten unsere Ergebnisse darauf hin, dass biologisch plausiblen Synergien zwischen synaptischen und intrinsischen nicht-synaptischen Mechanismen ein vielversprechender Ansatz sein könnten, um hoch effiziente Lernmethoden für SNNs zu entwickeln.