清华大学团队提出了一种集成时域树突异质性的新型脉冲神经元模型（DH-LIF）。同时，将DH-LIF神经元模型扩展到网络级别，提出了时域树突异质性脉冲神经网络（DH-SNN）模型，包括具有前馈连接的网络模型（DH-SFNN）和具有反馈连接的网络模型（DH-SRNN）。基于BPTT学习算法，本文进一步提出了适用于DH-SNN的高性能学习算法。通过在神经元的不同树突分枝上自适应学习不同的时间因子，使得不同树突分枝可以捕捉不同时间尺度的时序特征，从而在网络级别产生多时间尺度的复杂时域动力学。为揭示其内在工作机制，本文提出了多时间尺度时域异或问题作为机理分析基准，发现在DH-SNN的树突分枝间、神经元间、网络层间的跨时间尺度时序特征存在相似的整合作用。这项工作表明，大脑中的时域树突异质性是学习多时间尺度信息的关键，为提高SNN在处理复杂时序计算任务的性能方面提供了一种重要的新思路。
成果近日于2024年1月4日以“Temporal dendritic heterogeneity incorporated with spiking neural networks for learning multi-timescale dynamics”为题在期刊《自然·通讯》（Nature Communications）上发表。