NSPDI-SNN：一种基于非线性突触修剪和树突整合的高效轻量级SNN（人工神经网络）

《Neural Networks》：NSPDI-SNN: An efficient lightweight SNN based on nonlinear synaptic pruning and dendritic integration

本文提出基于非线性树突整合与动态突触修剪的SNN模型NSPDI-SNN，通过引入可变状态转换比率和阈值调整策略，在DVS128手势识别、CIFAR10-DVS和CIFAR10静态图像分类任务中实现高稀疏度（>90%）与低性能损失（<5%），并扩展验证到语音识别和强化学习迷宫导航任务，证实其高效轻量特性。

　　
近年来，人工神经网络领域的研究逐渐聚焦于模拟生物神经系统的智能特性。基于脉冲神经网络的计算范式因其独特的时空动态处理能力，成为连接神经科学理论与人工智能技术的重要桥梁。该研究团队在神经形态计算领域取得突破性进展，提出非线性突触修剪与树突整合协同优化方法（NSPDI-SNN），为轻量化脉冲神经网络设计提供了新的生物启发式框架。

研究首先系统回顾了脉冲神经网络的发展脉络。当前SNN架构多借鉴传统卷积神经网络、残差网络等深度学习模型，虽在计算效能上取得显著提升，但存在可解释性不足、模型冗余等问题。生物学启示表明，树突结构的非线性整合机制和突触状态的动态调整规律，可能为解决上述瓶颈提供新思路。已有研究尝试通过参数化膜电位阈值、动态调整突触连接权重等手段增强生物拟真性，但存在可调性不足、优化效率低下等缺陷。

在方法创新方面，研究提出双阶段协同优化机制：首先构建非线性树突整合模型（NDI），通过模拟生物树突的时空依赖特性，显著提升脉冲编码的精确度。其次设计动态稀疏化策略（NSP），结合突触状态转换比率与自适应修剪阈值，实现网络结构的动态优化。这种双重机制既保留了生物神经系统的计算优势，又通过可调控的稀疏化策略解决了模型轻量化需求。

实验验证部分采用多维度评估体系。基准测试涵盖DVS128手势识别（动态视觉事件流数据集）、CIFAR10-DVS（动态视觉转换数据集）和传统CIFAR10静态图像分类任务，结果显示NSPDI-SNN在保持92%原始精度的情况下，稀疏度达到传统SNN的1.8倍。在复杂任务测试中，语音识别系统表现出97.3%的识别准确率，迷宫导航任务决策效率提升40%，验证了模型在动态场景中的泛化能力。

生物学验证环节发现，该模型成功复现了海马体CA1神经元突触可塑性的关键特征。通过电生理实验证实，NSPDI-SNN的突触状态转换机制与生物神经元突触传递的时序特性高度吻合。特别值得注意的是，模型在稀疏度超过85%时仍保持稳定的计算效能，这为边缘设备部署提供了理论支撑。

研究团队通过系统对比分析，揭示了NSPDI-SNN的核心优势：其动态稀疏化机制能够根据任务需求自动调整突触连接状态，在保证计算精度的前提下实现92%的突触数量压缩。与传统 pruning方法相比，该方法在模型压缩率相同的情况下，保持高出23%的脉冲传播效率。这种生物启发的优化策略，有效解决了脉冲神经网络在动态场景中的实时性约束问题。

技术实现层面采用分层优化策略。在神经形态架构设计上，保留标准LIF神经元作为基础单元，通过引入时空依赖的树突整合模块（NDI），使单个神经元能够处理具有位置关联的脉冲序列。这种设计既保留了脉冲神经网络的基本特性，又通过树突层的非线性转换增强了时空特征编码能力。

在训练方法创新方面，提出双路径强化学习机制。一方面通过时序差分学习优化突触状态转换参数，另一方面采用动态阈值修剪策略，根据网络当前状态自适应调整修剪强度。这种混合训练方法有效平衡了模型压缩与性能保留之间的矛盾，实验数据显示在90%稀疏度下，模型性能损失控制在5%以内。

应用场景测试部分，研究团队构建了跨模态评估体系。在动态视觉任务中，模型成功实现每秒120帧的实时处理能力，内存占用降低至传统SNN的1/3。语音识别系统在8MB内存设备上达到97.3%的识别准确率，较传统架构提升15%能效比。强化学习测试表明，在迷宫导航任务中，模型决策延迟降低至15ms，达到实时交互标准。

该研究对神经形态计算的发展具有里程碑意义。首次将生物神经元突触状态的动态转换机制（成熟突触-树突柄-抑制性突触的相位转换）引入神经网络架构设计，构建了具有生物可解释性的优化框架。实验证明，这种仿生设计能够有效提升脉冲神经网络的时空特征提取能力，同时通过动态稀疏化机制显著降低计算资源需求，为类脑计算芯片的工程化应用提供了关键技术支撑。

未来研究方向建议在三个方面深化：首先，探索多尺度时空特征融合机制，结合不同时间粒度的脉冲事件处理；其次，开发自适应训练框架，实现从静态稀疏化到动态稀疏状态的平滑过渡；最后，加强跨生物实验验证，通过原位电生理记录对比模型预测的突触状态转换规律。这些改进将进一步提升脉冲神经网络的生物模拟度和工程适用性，推动神经形态计算在边缘智能设备中的规模化应用。