该研究论文介绍了 SpikingJelly 框架，它是一个全套工具包，用于预处理神经形态学数据集、构建深度 SNN、优化其参数并将其部署到神经形态芯片。通过 SpikingJelly 框架，深度 SNN 的训练速度可以加快 11 倍，且其卓越的可扩展性和灵活性使用户能够以较低成本通过多级继承和半自动代码生成加速定制模型。SpikingJelly 为合成真正高能效的基于 SNN 的机器智能系统铺平了道路，丰富了神经形态计算的生态系统。

Oct, 2023

人工智能在现代社会中的作用日益重要，高效训练和部署深度神经网络成为关注的重点之一。脉冲神经网络（SNNs）通过利用时间稀疏计算提供了提高能源效率的方法，但其训练由于其循环性质而具有一定挑战性。本文介绍了 Spyx，这是一个基于 JAX 设计的新型轻量级 SNN 模拟和优化库，通过在现代加速器的扩展 vRAM 中进行预存数据，并采用大量的即时编译，Spyx 使得 SNN 优化能够作为统一的低级程序在 NVIDIA GPU 或 Google TPU 上执行，实现了最佳的硬件利用率，并在保持相当灵活性的同时超越了许多现有的 SNN 训练框架的性能。

Feb, 2024

该论文综述了近期生物学启发的人工智能方法，重点介绍了脉冲神经网络模型及其训练中的挑战，以及用于传统网络和脉冲网络的生物启发式训练方法，以推进当前模型的计算能力和生物合理性。

Jul, 2023

本文介绍了一种方法，该方法可以训练使用 Leaky Integrate-and-Fire（LIF）神经元的脉冲深度网络，并在包括大型 ImageNet ILSVRC-2012 基准测试在内的五个数据集上取得了最先进的结果。该方法可扩展，并适用于各种神经非线性。通过软化神经响应函数以使其导数保持有界，并通过噪声训练网络，我们实现了这些结果，以提高其承受由脉冲引入的变异性的鲁棒性。我们的分析表明，在神经形态硬件上实现这些网络将比传统硬件上等效的非脉冲网络更加节能。

Nov, 2016

本研究回顾了 9 种用于建立 SNNs 的框架，重点介绍探究不同类型研究最适合框架的可能性的神经元模型和学习规则的可用性，并提供了一个扩展版本的 SpykeTorch 框架，向用户提供更广泛的可嵌入 SNNs 的神经元模型选择，并公开了代码。

Feb, 2023

这篇论文总结了神经元模型的优点、缺点和适用性，分析了网络拓扑的特性，并从无监督学习和监督学习的角度回顾了脉冲神经网络算法和基于突触可塑性规则的无监督学习算法以及四类监督学习算法，最后专注于国内外正在研究的类脑神经仿真芯片的综述。通过系统的总结，论文旨在为初入脉冲神经网络研究领域的同行提供学习概念和研究方向。

Sep, 2023

该论文提出了一种脑启发式混合神经网络，通过将时间绑定理论引入到人工神经网络中，通过集成尖峰时间动态（通过尖峰神经网络）和重构注意力（通过人工神经网络），实现了多个对象之间的时间绑定和编码。

Nov, 2022

本文介绍了一个基于 PyTorch 的名为 SpykeTorch 的模拟框架，用于模拟深度卷积脉冲神经网络和学习规则，该框架具有高速、通用且基于张量计算的优点。

Mar, 2019

本文综述了关于基于脉冲神经元的生物解释性网络的生物背景、理论基础、不同神经元模型、神经回路的连通性、主流神经网络学习机制和网络架构等方面的内容，并希望吸引不同的研究者，推进脑启发式智能和人工智能的发展。

Apr, 2022

使用脉冲神经网络作为数据生成器，直接合成新的脉冲火车，从而提高脑 - 计算机接口解码器的概括能力，并将脉冲神经网络作为一种更好地与脑 - 计算机接口集成的大脑启发式智能方法。

Mar, 2022