Stochastic Spiking Neural Networks with First-to-Spike Coding

脉冲神经网络（SNN）作为神经网络的第三代，以其生物相似性和能量效率而闻名，特别是在神经形态硬件上实现时。然而，现有研究集中于具有速率编码的确定性神经元，这种方法由于信息集成时间长而产生了大量计算开销，并且未能充分利用大脑的概率推理能力和时间动态。在本研究中，我们探索了将新型计算和信息编码方案与SNN体系结构相结合的方法，其中我们将随机脉冲神经元模型与时间编码技术相结合。通过与其他确定性SNN和基于速率编码的模型进行广泛的基准测试，我们研究了我们的方法在准确性、推理延迟、脉冲稀疏性、能量消耗和鲁棒性等方面的权衡。我们的工作是第一个将随机SNN的直接训练方法与时间编码扩展到VGG体系结构和MNIST数据集之外的研究。

本论文旨在探索将随机尖峰神经元模型与时间编码技术相结合的SNN架构，以解决现有SNN研究中存在的计算开销大、无法充分利用脑部概率推理能力和时间动态等问题。

本论文的关键思路是将随机尖峰神经元模型与时间编码技术相结合，以实现更高的计算效率和更好的推理能力。这是对现有SNN研究的新探索，可以扩展直接训练随机SNN的可扩展性。

论文通过与其他确定性SNN和速率编码的广泛基准测试，探讨了该方案在准确性、推理延迟、尖峰稀疏性、能量消耗和鲁棒性等方面的权衡。此外，论文还将该方案扩展到VGG架构和MNIST数据集等更复杂的情况，并开源了代码。

最近的相关研究包括《Spiking Neural Networks: Principles and Challenges》、《Deep Learning with Spiking Neural Networks: A Review》等。