向大脑学习：双通路脉冲神经网络实现4倍吞吐量、5倍能效提升

人脑以约20瓦的功耗处理着海量信息，而当前的AI系统动辄消耗数兆瓦电力。这个巨大的效率差距，一直是神经形态计算领域追求的目标。最近，帝国理工学院和苏黎世联邦理工学院的研究团队在《Nature Machine Intelligence》上发表了一项突破性成果——他们从大脑皮层的快慢神经通路中汲取灵感，设计出一种全新的脉冲神经网络架构，在吞吐量和能效上分别实现了4倍和5倍的飞跃。

脉冲神经网络的困境

脉冲神经网络（Spiking Neural Networks, SNNs）是受生物神经元通信方式启发的AI模型。与传统神经网络持续处理信息不同，SNNs只在检测到有意义的变化时才产生脉冲信号，这种「事件驱动」的特性使其天然具备低功耗的优势。

然而，SNNs一直面临一个核心矛盾：如何在保持事件驱动高效性的同时，长时间保留有用的任务相关信息。标准的漏积分发放（Leaky Integrate-and-Fire）神经元只能在毫秒级时间尺度上保持信息，而需要处理长序列数据的任务——比如语音识别、视频分析——则要求模型具备更强的「长期记忆」能力。

过去的研究尝试了两种路径：一是引入密集的递归连接，但这会破坏脉冲的稀疏性优势，增加内存和能耗；二是使用可学习的轴突延迟，但这需要深度缓冲区和逐连接的时序元数据，在硬件实现上代价高昂。两条路都走到了「时间能力」与「硬件效率」的死胡同。

大脑皮层的启示：快慢双通路

研究团队从哺乳动物大脑皮层中找到了答案。皮层电路通过树突分支整合不同时间尺度的输入信号，同时神经元群体具有异质的时间常数，共同塑造快速的胞体脉冲活动——而这一切不需要密集的全局递归连接。

受此启发，团队提出了「双通路脉冲神经网络」（Dual Memory Pathway SNN, DMP-SNN）架构。其核心思想是：在每一层中维护一个紧凑的低维「慢记忆状态」，用于总结近期活动并调节脉冲动态，同时保留快速的脉冲活动通路。这就像大脑中慢速的树突整合与快速的胞体脉冲并行工作一样。

这种显式记忆机制稳定了学习过程，同时保留了事件驱动的稀疏性。在长序列基准测试中，DMP-SNN以比同类最先进SNN少40-60%的参数量，达到了相当的精度水平。

软硬件协同设计的关键突破

这项研究的另一大亮点是算法与硬件的协同设计。团队不仅优化了算法，还专门设计了适配DMP-SNN的近存计算（near-memory-compute）硬件架构。

硬件层面的核心创新包括：首先，通过打破计算依赖关系，将慢记忆更新与记忆积分操作并行化，消除了吞吐量瓶颈；其次，采用细粒度的算子融合技术，将漏积分更新、脉冲积分和记忆积分合并为单一过程，将每个神经元的内存访问从至少两次降低到仅一次；第三，针对稀疏脉冲积分和密集向量-矩阵乘法分别采用异质的操作数驻留策略，进一步提升算术强度。

在与Intel Loihi 2、ReckOn、ElfCore和DenRAM等领先神经形态硬件平台的对比测试中，DMP-SNN的表现令人瞩目：吞吐量比Loihi 2上的延迟实现方案高出4倍以上，比ReckOn等递归架构高出1.9倍；能效比Loihi 2和DenRAM高出5倍以上；面积效率比ReckOn高出2倍。