人工智能与脉冲神经网络 - 当前人工智能技术发展迅猛但面临高能耗问题，脉冲神经网络（SNNs）被视为更具生物合理性和能效的计算范式 [2] - 现有脉冲神经元模型（如LIF、ALIF、HH、多室模型）存在局限性，仅通过单通道连接难以同时编码输入信号的空间强度分布与时间动态性，导致SNNs在时空计算任务中性能不足 [3] 多突触发放（MSF）脉冲神经元模型 - 国防科技大学与中国科学院自动化研究所合作提出MSF脉冲神经元模型，兼具生物合理性和计算高效性，可同时编码输入信号的时空动态信息 [3][5] - MSF神经元受生物多突触连接现象启发，通过不同突触的瞬时发放率和精确脉冲时序实现时空信息编码，在多种生物大脑中广泛存在 [9][10] - 理论层面显示MSF神经元是通用且更精细的神经元抽象模型，传统LIF和ReLU神经元为其特例，揭示了ANNs与SNNs的内在联系 [10] - 实验层面通过信号重建任务验证MSF神经元可独立编码频率与时间信息，重建图像具有更好的纹理和颜色细节 [10][13] 性能与应用验证 - 在静态与动态识别、目标检测、脑机接口、强化学习等任务中，MSF神经元性能显著优于传统LIF神经元，部分任务甚至超越相同结构的ANNs并展现更高能效比 [13][16] - 研究团队已成功将MSF神经元部署于国产神经形态硬件平台，在真实自动驾驶场景下完成事件驱动的目标检测任务，验证硬件兼容性 [14][18] - 训练后模型的突触数量分布与人类大脑皮层相似，体现生物学合理性与可解释性 [15] 研究意义与未来方向 - 该成果推动类脑计算向更复杂、更具自然智能方向发展，为构建低功耗、高性能、可扩展的人工智能系统奠定基础 [18] - 未来将继续探索MSF神经元在更广泛任务中的应用潜力，助力人工智能技术向智能、绿色与可持续方向发展 [19]