混合神经网络（Hybrid Neural Networks, HNNs）的趋势日益增长，这通过结合尖峰神经网络（Spiking Neural Networks, SNNs）和人工神经网络（Artificial Neural Networks, ANNs）来利用双方的优势。清华大学团队提出了一个HNNs的通用设计和计算框架，通过引入混合单元（Hybrid Units, HUs）作为连接接口。
该框架不仅整合了这些计算范式的关键特征，还将其解耦以提高灵活性和效率。HUs是可以设计的和可学习的，以促进HNNs中混合信息流的传输和调节。通过三个案例，我们展示了该框架可以促进混合模型设计。
混合感知网络实现了多路径感知，实现了高跟踪精度和能源效率。混合调制网络实现了层次化信息抽象，使得多任务的元持续学习成为可能。混合推理网络以可解释的、稳健的和并行的方式执行多模态推理。这项研究推进了跨范式建模，用于广泛的智能任务。
成果发表于2022年6月14日《Nature Communications》。