将脉冲神经网络重新理解为状态空间模型

基于摘要分析。本文研究脉冲神经网络（SNN）在序列学习中建模长程依赖与扩展规模的困难，提出基于状态空间模型（SSM）的概率脉冲学习框架。原论文的主要对象是通用长程依赖任务，而非 EEG 或 BCI。 核心机制：作者认为，传统漏积分发放（LIF）神经元以标量膜电位表示隐状态，并通过确定性的 Heaviside 函数逐步产生脉冲，限制了长程建模与并行计算。所提出的 SpikeSampler 层根据基于 SSM 的神经元模型随机采样脉冲，同时支持并行计算；针对脉冲操作不可微的问题，作者设计了适配随机采样性质的替代函数。SpikeMixer block 汇聚各层神经元群体的脉冲，以增强神经元间通信，随后通过含残差连接的 ClampFuse 层捕捉复杂依赖。具体状态更新、采样分布、替代函数形式及训练目标尚未验证。 结果与证据：作者报告，在 Long Range Arena、permuted sequential MNIST 和 Speech Command dataset 的长程依赖任务中，该框架达到 SNN 模型中的最先进性能，并呈现稀疏脉冲模式。摘要未提供具体指标、数据划分、对照模型或计算开销数值；稀疏性不能直接等同于已测得的运行速度或能耗优势。实验协议、消融及统计信息尚未验证，复现所需实现、超参数和资源条件也尚未确认。 平台推测（待验证）：可检验的迁移假设是，SSM 的长程状态建模与并行随机脉冲机制可能适用于长时间 EEG 序列。可考虑复用 SpikeSampler、SpikeMixer 与残差融合机制，但需改造连续多通道 EEG 的输入编码和任务输出，并核对其对序列长度、监督信号及训练规模的依赖。低信噪比可能使随机脉冲采样丢失弱信号，被试差异、通道变化和小数据也可能削弱收益。一个小规模检验是：在固定 EEG 任务、相同被试内划分及训练预算下，与 LIF-SNN 和非脉冲 SSM 对照，同时记录任务指标、脉冲率与实测延迟，检验是否兼得预测性能和计算收益。已有 EEG 相关工作尚未检索确认。