摘要

本文介绍了一种针对脉冲神经网络（SNNs）的新型信息传输范式——多比特机制。SNNs因其高性能、低功耗和增强的生物可解释性而受到认可，但其二进制脉冲特性导致显著的信息损失，最终影响性能。本文提出的多比特信息传输机制通过将脉冲神经元的输出从单比特扩展到多比特，增强了脉冲的表达能力，减少了前向过程中的信息损失，同时保持了SNNs的低能耗优势。此外，通过从上一层提取有效信号重新刺激神经元，促进了各比特级别的充分脉冲发射。实验结果显示，无论是直接训练方法还是ANN-SNN转换方法，该方法均能持续提升性能。

原理

本文提出的多比特信息传输机制通过扩展脉冲神经元的输出从单比特到多比特，显著减少了网络前向过程中的信息损失。具体来说，该机制利用神经元间的多重突触连接，将脉冲扩展为一个固定点无符号二进制数，包含m个整数位和n个小数位。这种扩展不仅增加了脉冲的区分度，还通过结合整数位和小数位的扩展，增强了脉冲的信息承载能力。此外，通过引入层间连接，利用Efficient Channel Attention（ECA）机制从上一层网络提取有效信息，再次刺激当前神经元，进一步补偿了丢失的信息，增强了网络的表达能力。

流程

本文提出的方法在Spiking ResNet-20架构基础上，通过在LIF神经元上增加多比特机制构建MBLIF模型，同时在ResNet的基本块中引入层间连接。具体工作流程如下：首先，输入信号通过第一层卷积生成xpre，然后通过MBLIF处理；接着，输入信号通过第二层卷积生成xpost，xpre和xpost沿通道维度拼接后进行1D卷积和BN处理，再通过ECA模块提取有效信息，最终融合结果输入MBLIF完成信息融合。这一流程不仅丰富了网络的拓扑连接，还通过ECA机制有效提取并利用了跨层信息，增强了网络的动态活动和神经元的激活程度。

应用

本文提出的多比特信息传输机制不仅适用于静态图像分类，还能有效应用于神经形态数据分类，显示出在多种数据集和训练方法下的广泛适用性和性能提升潜力。随着进一步的研究和优化，该机制有望推动高精度、低延迟的SNNs在边缘计算、实时处理等领域的应用，特别是在需要高效能计算的场景中，如移动设备、物联网节点等。