Sci. Adv. 速递：面向神经形态计算的生物合理可重构脉冲神经元

摘要

生物神经元通过多样的时间性脉冲表达实现高效的通信和神经活动调节。然而，现有的神经形态计算系统主要使用简化的神经元模型，因其在模拟这些生物脉冲模式时的高成本，导致脉冲行为受到限制。本文提出了一种紧凑且可重构的神经元设计，利用基于 NbO2 的脉冲单元的内在动力学和电化学记忆（ECRAM）中的优异可调性，模拟生物神经元中的快慢动力学。ECRAM 的电阻有效调节了膜电位的时间动态，促进了各种生物合理放电模式（如相位性脉冲和爆发性脉冲）的灵活重构，并展示了在变化环境中的自适应脉冲行为。我们使用该生物合理神经元模型构建了具有爆发性神经元的脉冲神经网络，并展示了比简化模型更高的分类精度，表明该模型在更生物可行的神经形态计算系统中具有广泛的应用前景。

研究领域：生物可行性，神经形态计算，尖峰神经元，NbO2，电子化学存储器，可重构性

论文题目：Bio-­plausible reconfigurable spiking neuron for neuromorphic computing 发表时间：2025年2月5日 论文地址：https://www.science.org/doi/10.1126/sciadv.adr6733 期刊名称：Science Advance

神经形态计算旨在模拟生物大脑的神经元和突触行为，以提高智能系统的认知能力和处理效率。然而，模拟大脑功能的复杂性使得全方位的生物模拟变得困难。传统神经形态系统多采用简化的神经元模型，导致信息损失。近期发表在Science Advance的一篇研究提出了一种新型可重构的尖峰神经元设计，利用NbO2尖峰单元和电子化学存储器，成功模拟了生物神经元中的快慢动态。

图 1. 面向神经形态计算的生物合理可重构脉冲神经元。（A）支持多种脉冲模式的可重构芯片示意图。（B）模拟快慢神经元动力学的生物逼真神经元电路设计。（C）神经元电路的核心组件包括非易失性 ecRAM 存储设备和易失性 NbO2 设备。（D）通过不同的 ecRAM 电阻在四种脉冲模式之间进行重构。所有情况下均使用 4 V 的恒定输入电压偏置。

方法与实现

该研究采用NbO2尖峰单元与电子化学存储器 （ECRAM） 相结合，构建出一种紧凑的、可重构的神经元电路。NbO2尖峰单元模拟了生物神经元中类似K+和Na+的电压门控离子通道，通过电容充电提高NbO2器件的电压偏置，诱导阈值开关行为。ECRAM则作为慢速子系统的内部变量，与NbO2配合实现尖峰动态的调节。

这种电路的设计包括两个级联的子电路，分别负责快动态和慢动态的模拟。快子电路主要产生输出尖峰，而慢子电路则对快动态进行调制。通过调节ECRAM的电阻，该电路实现了不同尖峰模式的重构，如快尖峰、自适应尖峰、阶段性尖峰和爆发性尖峰。这种可重构性使得相同电路在保持输入幅值不变的情况下，能够展现多样的生物尖峰行为。

图 2. 神经元电路的脉冲动态。(A) 电路包含快速子电路（绿色）和慢速子电路（橙色）。没有慢子电路的电路实现了LIF神经元。(B) liF神经元在稳定输入刺激下的脉冲行为。输入电压为2.8V。(C) liF神经元对不同输入幅度表现出频率编码。(D) 输入幅度与放电频率之间的相关性。观察到一些脉冲频率的变化，这些变化与NbO2器件的开关电压变化有关。(E) 在恒定输入刺激3.8V下，双级神经元电路表现出自适应脉冲行为。(F) 两个爆发周期中电路偏置的演化；C2电容的充电使神经元进入不应期，在CH2 NbO2的激活下，C2被放电并将神经元恢复到脉冲模式。(G) 神经元对不同输入幅度的爆发放电行为。

图 3. 使用ECRAM重新配置神经元电路。(A) 神经元电路中快通道和慢通道之间相互作用的示意图。(B) 在不同神经元模式下，神经元输出和C2电位的时间动态。(C) 通过对ECRAM进行编程，将其电阻调节到不同的水平，进而调节C2偏置。(D) 不同ECRAM电阻和输入电压幅度下的脉冲模式。

研究结果

实验结果显示，使用这种可重构神经元设计的尖峰神经网络 （SNNs） 在分类任务中表现出优于传统简化模型的精确度。尤其是在爆发模式下，生物合理神经元在人工神经网络 （ANN） 转换的SNNs和直接训练的SNNs中均显示出更好的性能。此外，这种设计在自适应模式下能够有效地编码输入光信号，通过调节发射率适应外部视觉刺激，类似于人类视网膜对不同光照条件的响应。

图 4. 由生物合理神经元模拟的自适应视觉。（A）人类视网膜中自适应视觉编码。（B）通过本研究神经元对变化光强度的响应模拟出的暗适应和明适应行为。（C）通过用变化的光强度照亮马的图像，使用本研究生物合理性神经元模拟自适应视觉。

这种可重构神经元设计为构建更具生物可行性的神经形态系统提供了可能性，有望在未来的神经形态芯片中应用，扩展其功能性并提升计算效率，从而推动人工智能的发展。

彭晨| 编译

计算神经科学读书会

详情请见：

1.

2.

3.

4.

5.

6.