脉冲神经网络成为下一代机器学习？

学习是人工智能领域的核心问题，对于SNN来说，基于脉冲时间层次的学习方法研究，对于通过理论模型来验证生物神经系统的信息处理和学习机制是必须的。通过生物可解释的方式建立人工神经系统，科学家希望可以通过神经科学和行为实验来达到预期目的。

脉冲神经网络将脉冲神经元作为计算单元，能够模仿人类大脑的信息编码和处理过程。不同于CNN使用具体的值进行信息传递，SNN通过脉冲序列中每个脉冲发射时间进行信息的传递，能够提供稀疏但强大的计算能力。脉冲神经元将输入累积到膜电压，当达到具体阈值时进行脉冲发射，能够进行事件驱动式计算。由于脉冲事件的稀疏性以及事件驱动的计算形式，SNN能提供卓越的能源利用效率，是神经形态结构的首选神经网络。

脉冲神经网络的学习方式主要包括无监督学习、监督学习和强化学习等。无监督学习算法在人类和动物的学习中占据主导地位，人们通过观察能够发现世界的内在结构，而不是被告知每一个客观事物的名称。人工神经网络无监督学习算法的设计主要是针对无标签数据集的训练，要求应用无监督学习规则对神经网络中的连接权值或结构进行自适应的调整。

脉冲神经网络的监督学习是指对于给定的多个输入脉冲序列和多个目标脉冲序列，寻找脉冲神经网络合适的突触权值矩阵，使神经元的输出脉冲序列与对应的目标脉冲序列尽可能接近，即两者的误差评价函数最小。强化学习是从环境状态到行为映射的学习，以使智能体行为从环境中获得的累积奖赏值最大。基于生物启发的学习机制，人工神经网络强化学习的研究重点在于探索智能体的自适应优化策略，是近年来神经网络和智能控制领域的主要方法之一。

但我们亟待解决的问题是，在标准的硬件上模拟脉冲神经网络是计算密集型的，因为这需要模拟微分方程。然而，像IBM的TrueNorth等仿神经硬件解决了这个问题，它旨在是通过使用特定硬件模拟神经元，该硬件可以利用神经元脉冲行为的离散和稀疏特性优势来模拟神经元。

脉冲神经网络的未来尚不明确，一方面，它是循环神经网络的天然继任者；另一方面，对于大多数任务来说，这还不是较为实用的工具。脉冲神经网络在实时图像和音频处理领域得到一些实际应用，但文献仍然较少。但是，现在有很多团队正在从事脉冲神经网络监督学习规则的工作，因此我对其未来发展保持较为乐观的态度。