脉冲神经网络 (Spiking Neural Network)

本项目实现了一个脉冲神经网络（Spiking Neural Network, SNN）框架，专为GPU加速设计。该框架基于物理空间距离和真实信号传导延迟的 Leaky Integrate-and-Fire (LIF) 神经元模型，融合了以下创新技术：

• 稀疏张量计算：利用PyTorch稀疏张量（Sparse Tensor）优化内存占用
• 环形缓冲区：采用Ring Buffer技术高效处理异步延迟传播
• 动态拓扑演化：支持神经发生（Neurogenesis）与突触发生（Synaptogenesis）的自适应网络生长
• 自适应稳态阈值：内置Homeostasis动力学以稳定网络发火率
• 无监督学习：基于突触迹的STDP学习法则，实现自组织学习

d:\Github\SNN
├── main.py                 # 主实验脚本：端到端整合示例
├── readme.md              # 项目文档
├── core/
│   ├── __init__.py
│   └── network.py         # 核心网络拓扑模块 (DynamicSpatialSNNGPU)
├── data/
│   ├── __init__.py
│   └── encoder.py         # 脉冲编码器模块 (泊松编码、高斯运动刺激)
├── learning/
│   ├── __init__.py
│   └── stdp.py            # STDP学习法则模块
└── utils/
    ├── __init__.py
    ├── metrics.py         # 监控指标模块 (SNNMonitor)
    └── visualization.py   # 可视化工具模块

• PyTorch >= 1.8（建议使用GPU版本以获得最佳性能）
• NumPy >= 1.18
• Matplotlib >= 3.0
• CUDA >= 10.2（可选，用于GPU加速）

• 操作系统：Windows / Linux / macOS
• Python 版本：3.8 及以上
• GPU显存：建议8GB以上（可选）

# 克隆项目
git clone <repository-url>
cd SNN

# 安装依赖（推荐使用虚拟环境）
pip install torch numpy matplotlib

import torch
from core.network import DynamicSpatialSNNGPU
from learning.stdp import TraceBasedSTDP
from data.encoder import moving_gaussian_stimulus
from utils.metrics import SNNMonitor

# 初始化
device = 'cuda' if torch.cuda.is_available() else 'cpu'
snn = DynamicSpatialSNNGPU(max_delay=10, device=device)

# 神经发生：创建1000个神经元
snn.neurogenesis(num_neurons=1000)

# 突触发生：建立稀疏连接
snn.synaptogenesis(p_max=0.5)

# 时间步进
for t in range(1000):
    spikes = snn.step_evolution(external_current=input_current)

python main.py

基于GPU加速的动态空间脉冲神经网络类。

关键特性：

• 在三维物理空间中生成并管理神经元
• 基于欧氏距离和指数衰减概率建立突触
• 根据物理距离预计算突触延迟
• 支持异步延迟脉冲传播
• 内置自适应稳态阈值机制

核心参数：

全局状态张量：

核心方法：

• 功能：在三维空间中批量生成新神经元
• 参数：
  • num_new_neurons (int)：生成的神经元数量
  • space_bounds (tuple)：三维空间边界，默认 $(100, 100, 100)$
• 机制：使用 torch.rand 生成随机坐标，通过 torch.cat 动态拼接到状态张量

• 功能：根据空间距离建立突触连接
• 参数：
  • p_max (float)：距离为0时的最大连接概率
  • batch_size (int)：分块计算的批大小，防止显存溢出
• 连接规则：$P(i \to j) = P_{max} \exp(-D_{ij}/\lambda)$
• 延迟计算：$\Delta t_{ij} = \lceil D_{ij}/v \rceil$

• 功能：执行一个时间步的网络演化
• 参数：external_current (Tensor)：外部注入电流，形状 $(N,)$
• 返回值：当前时间步的脉冲活动，形状 $(N,)$ 的布尔张量

LIF神经元动力学：

$$V(t+1) = \beta \cdot (V(t) - V_{rest}) + V_{rest} + I_{syn}(t) + I_{ext}(t)$$

其中：

• $\beta = \exp(-1/\tau_m)$ 为膜时间常数衰减因子
• $I_{syn}(t) = \sum_{j} W_{ij} \cdot S_j(t - \Delta t_{ij})$ 为突触电流
• $I_{ext}(t)$ 为外部注入电流

自适应阈值（Homeostasis）机制：

$$\theta(t+1) = \theta_{base} + \beta_{th} \cdot (\theta(t) - \theta_{base})$$

发放时阈值暴涨：

$$\theta[\text{spikes}] \mathrel{+}= \theta_{plus}$$

• 功能：将连续信号编码为泊松脉冲序列
• 参数：
  • stimulus (Tensor)：预期发放率，形状 $(N,)$
  • time_steps (int)：模拟时间步
  • dt (float)：时间步长（毫秒）
• 返回值：形状 $(time_steps, N)$ 的布尔脉冲张量

• 功能：生成三维空间中运动的高斯刺激
• 参数：
  • positions (Tensor)：神经元坐标，形状 $(N, 3)$
  • start_pos, end_pos (tuple)：刺激运动的起终点
  • max_rate (float)：刺激中心的最高发放率（0-1）
  • sigma (float)：高斯感受野的空间衰减半径
• 输出：时空强相关的泊松脉冲序列，极利于STDP学习

高斯函数：

$$P(i,t) = P_{max} \exp\left(-\frac{d_{i,center(t)}^2}{2\sigma^2}\right)$$

基于突触迹的脉冲时序依赖可塑性（Spike-Timing-Dependent Plasticity, STDP）学习器。

关键特性：

• 维护所有神经元的前/后神经突触迹
• 完全基于稀疏拓扑的高效权重更新
• 支持LTP与LTD的非对称学习
• GPU并行化计算

核心参数：

突触迹动力学：

$$\mathrm{trace}^{pre}(t+1) = \mu^+ \cdot \mathrm{trace}^{pre}(t) + S_{pre}(t)$$

$$\mathrm{trace}^{post}(t+1) = \mu^- \cdot \mathrm{trace}^{post}(t) + S_{post}(t)$$

其中 $\mu^{\pm} = \exp(-1/\tau^{\pm})$

权重更新规则：

• LTP阶段（突触后神经元发放）：$\Delta W \mathrel{+}= A^+ \cdot \mathrm{trace}^{pre} \cdot S_{post}$
• LTD阶段（突触前神经元发放）：$\Delta W \mathrel{-}= A^- \cdot \mathrm{trace}^{post} \cdot S_{pre}$

核心方法：

• 更新所有神经元的前/后突触迹
• 应在每个时间步后立即调用

• 执行STDP权重更新
• 支持稀疏张量高效计算

SNN训练过程的监控与分析工具。

关键特性：

• 记录时间序列的平均发放率
• 保存权重分布的时间快照
• 生成学术规范的图表并保存

核心方法：

• 记录当前时间步全网的平均发放率
• 参数：spikes (Tensor)：形状 $(N,)$ 的脉冲布尔张量

• 记录指定时间步的突触权重快照
• 参数：
  • step (int)：时间步编号
  • weights (Tensor)：支持稠密张量或稀疏张量

• 绘制网络平均发放率随时间的演化曲线
• 支持滑动窗口平滑

• 绘制权重分布的直方图
• 展示不同时间步的权重极化演化

• 功能：绘制脉冲光栅图（Raster Plot）
• 参数：
  • spike_history (Tensor)：形状 $(time_steps, num_neurons)$ 的脉冲布尔张量
  • title (str)：图像标题
• 用途：可视化神经网络的脉冲放电时空模式

• 功能：在三维空间中可视化神经元节点和突触连接
• 参数：
  • positions (Tensor)：神经元坐标，形状 $(N, 3)$
  • edge_indices (Tensor)：连接索引，形状 $(2, E)$
  • weights (Tensor)：突触权重，用于映射连接透明度
  • max_edges (int)：限制绘制的最大连线数，防止视觉过载
• 特点：
  • 神经元节点使用蓝色标记
  • 连线透明度根据权重归一化映射
  • 支持交互式3D旋转

离线SNN拓扑演化动画生成器。

功能特性：

• 轻量级保存模拟过程中的网络状态快照
• 批量渲染生成高质量3D旋转视频
• 利用Line3DCollection优化大规模突触的绘制速度
• 权重动态映射到线的宽度和颜色

核心方法：

• 保存当前时间步的网络拓扑快照
• 建议每50-200步调用一次以平衡内存与平滑度

• 从已保存的快照渲染生成MP4或GIF动画
• 参数：
  • output_filename (str)：输出文件名（支持.mp4或.gif）
  • max_edges (int)：每帧绘制的最大突触数（按权重排序）
  • title (str)：视频标题

依赖要求： 系统需要安装 FFmpeg 用于视频编码

import torch
from core.network import DynamicSpatialSNNGPU

# 初始化网络
snn = DynamicSpatialSNNGPU(max_delay=10, device='cuda')

# 创建1000个神经元
snn.neurogenesis(1000)

# 建立突触连接
snn.synaptogenesis(p_max=0.5)

# 单步演化
external_current = torch.randn(1000, device='cuda') * 0.1
spikes = snn.step_evolution(external_current=external_current)

print(f"当前时间步发放率: {spikes.float().mean().item():.3f}")

from learning.stdp import TraceBasedSTDP

# 初始化STDP学习器
stdp = TraceBasedSTDP(num_neurons=1000, device='cuda')

# 学习过程
for t in range(1000):
    spikes = snn.step_evolution()
    stdp.update_traces(spikes)
    new_weights = stdp.update_weights(snn.synapse_weights, snn.edge_indices, spikes)
    snn.synapse_weights = new_weights

python main.py

该脚本执行以下操作：

1. 初始化1000神经元的网络
2. 生成空间运动的高斯刺激
3. 运行10000步STDP自组织学习
4. 生成统计图表（发放率、权重分布）

• 漏积分发火：膜电位随时间指数衰减，脉冲时电位重置
• 异步乱序处理：通过环形缓冲区支持可变的突触延迟

• 时间因果性：突触前脉冲领先后脉冲 → LTP增强
• 时间反因果性：突触前脉冲滞后后脉冲 → LTD减弱
• 突触迹机制：维护神经元的"发放历史"用于权重更新

• 维持网络稳定的平均发放率
• 防止神经元过度激活或沉默
• 通过自适应阈值实现

Q: 为什么突触发生后没有连接？
A: 检查 p_max 参数。如果离得太远，指数衰减会导致连接概率近似为0。

Q: 如何加速生成动画？
A: 降低 checkpoint_interval 的频率，或减少 max_edges 参数。

Q: STDP学习不收敛？
A: 调整 a_plus, a_minus, tau_plus, tau_minus 等参数，或增加学习时间。

MIT License - 详见 LICENSE 文件

如有问题或建议，欢迎提交Issue或Pull Request。