摘要

脉冲神经网络（Spiking Neural Networks, SNNs）中，尤其是单脉冲（single-spike）变体——即神经元最多仅发放一次脉冲——相较于传统人工神经网络（Artificial Neural Networks, ANNs），具有显著更高的能效。然而，由于其动态特性及非可微性，单脉冲SNNs的训练极具挑战性，现有方法要么训练速度缓慢，要么存在训练不稳定性问题。此外，这类网络还受到批评，认为其计算适用性有限，尤其在处理时间序列数据方面表现不佳。本文提出一种新型训练框架，有效缓解了上述训练难题，并在多种图像与类脑数据集上取得了具有竞争力的性能表现，相较多脉冲SNN，训练速度最高提升达13.98倍，脉冲发放数量减少高达81%。尤为关键的是，我们的模型在处理类脑时间序列数据的复杂任务中，性能可与多脉冲SNN相媲美，表明单脉冲SNN的计算能力远超以往认知，具备更广泛的应用潜力。