脉冲神经网络（SNN）是一类人工神经网络，其模拟生物神经元行为的方式比传统网络更为接近。与在每个传播周期都传递连续值的传统人工神经元不同，SNN神经元通过离散的脉冲（即动作电位）进行通信，这些脉冲发生在特定的时间点。这些脉冲的精确时序是主要的信息载体，使网络能够将时间动态纳入其计算中。
在SNN中，每个神经元维持一个膜电位，这是一种内部状态，当它从相连的神经元接收输入脉冲时会上升或下降。当该电位达到一个设定的阈值时，神经元会发放脉冲，向下游神经元发送信号。发放后，电位会重置为较低的值。这种事件驱动行为与标准Deep learning模型中使用的连续激活函数形成对比，使SNN成为Machine learning中的一个独特范式。
最广泛使用的脉冲神经元模型是泄漏积分发放模型，该模型将电位描述为一个微分方程：输入脉冲使电位上升或下降，而泄漏项使其随时间衰减。如果达到阈值，神经元发放脉冲并重置电位。该模型在生物合理性与计算效率之间取得了平衡，使其成为SNN研究中的常见选择。
历史发展
脉冲神经元的生物学基础可追溯至1952年，当时艾伦·霍奇金和安德鲁·赫胥黎发表了关于动作电位产生和传播的模型，这项工作后来为他们赢得了诺贝尔奖。随后的模型，如FitzHugh-Nagumo模型（1961-1962年）和Hindmarsh-Rose模型（1984年），进一步完善了对神经元动力学的描述。泄漏积分发放模型源于这些努力，因其比霍奇金-赫胥黎方程更易于计算而广受欢迎。
尽管人工脉冲网络的概念在二十一世纪才获得显著关注，但早期理论工作出现在20世纪70年代，1980年至1995年间的研究支持了基于脉冲计算的可行性。这些早期努力旨在模拟非算法性的、受生物学启发的信息处理。截至2019年，SNN在许多任务上的准确性仍落后于传统ANN，但差距正在缩小，并在某些基准测试上已消失。
信息编码与计算
神经科学中的一个核心问题是神经元是通过发放频率还是通过脉冲的精确时序进行通信。基于速率的编码（输出为脉冲的平均频率）类似于传统ANN的连续输出。然而，神经生物学证据表明，基于速率的方案无法解释非常快速的处理过程。例如，人类可以在从视网膜到颞叶的连续层中，每层每个神经元仅用10毫秒即可完成图像识别，这个时间窗口对于基于速率的编码来说太短了。时序编码利用精确的脉冲时序，提供更高的信息容量并支持快速计算。
SNN在连续时间域中运行，将输入处理为脉冲序列而非离散值。这使得它们非常适合时空数据，例如现实世界的感官信号。它们通常仅将神经元连接到邻近神经元，类似于卷积滤波器，并通过直接在脉冲时序中编码时间来避免循环网络的复杂性。各种解码方法将脉冲序列转换为实值输出，包括速率编码、首脉冲时间和脉冲间隔。
训练挑战与方法
训练SNN面临重大挑战，因为脉冲生成过程不可微。脉冲的全有或全无特性意味着激活函数的导数几乎处处为零，这破坏了基于梯度的优化方法（如反向传播）。这限制了标准Deep learning技术在SNN中的应用。
研究人员已开发出多种策略来克服这一障碍。一种方法是使用受生物学启发的局部学习规则，如赫布学习和脉冲时序依赖可塑性（STDP），这些规则不需要全局梯度。另一种方法是训练一个传统的基于速率的网络，然后将其转换为SNN。第三种方法是对网络模型进行平滑处理以使其连续可微，而第四种方法定义替代梯度，即真实梯度的连续松弛，从而能够进行近似反向传播。这些技术提高了SNN的性能，尽管在某些应用中，监督训练仍落后于第二代网络。
硬件与应用
SNN在计算能力方面理论上比传统ANN更强大，但其实际应用受到高计算成本和专用硬件要求的限制。模拟逼真的神经模型比运行传统网络更昂贵，而基于脉冲的计算通常需要支持事件驱动处理的神经形态芯片。尽管存在这些障碍，SNN仍在被探索用于边缘设备的节能推理、实时感官处理和脑启发计算。随着研究的进展，SNN与传统ANN之间的差距持续缩小，使其成为Artificial intelligence中的一个活跃研究领域。