通过图像恢复问题，对由不同神经结构组成的忆阻式脉冲神经网络的性能进行了比较

《Ceramics International》：Performance comparison of memristive spiking neural networks composed of different neural structures through image restoration problem

本研究构建了基于FitzHugh-Nagumo、Hindmarsh-Rose和Morris-Lecar神经元模型的九种 memristive SNN网络，通过STDP算法和WTA机制对含均匀白噪声干扰的字母模板图像进行恢复，并对比分析网络性能。结果表明：神经元模型的生物相关性越高，网络恢复速度越快；memristor窗口函数的变化也会显著影响恢复质量。研究为MSNN理论架构提供了新视角。

　　
本研究聚焦于Memristive Spiking Neural Networks（MSNN）在图像恢复任务中的性能优化机制，通过对比分析神经元模型生物意义性和突触窗口函数设计对网络效能的影响，为神经形态计算系统开发提供了新的理论视角。研究团队在Erciyes大学电气与电子工程系完成了一系列创新性实验，构建了包含九种不同拓扑结构的MSNN模型体系，为第三代神经网络研究开辟了新的实践路径。

在理论框架构建方面，研究系统梳理了人工神经网络的发展脉络。第一代网络采用简单的阈值激活模型，适用于基础分类任务但难以处理复杂关系；第二代深度神经网络通过多层非线性变换提升了建模能力，但面临硬件加速不足、功耗高等现实挑战。第三代SNN网络通过事件驱动机制和脉冲传递特性，既保留了生物神经系统的核心特征，又具备硬件实现潜力。研究特别指出，当前SNN研究多集中于简化版神经元模型（如I&F、LIF），这些模型虽在计算效率上具有优势，却存在生物合理性不足的问题。

研究创新性地将Hodgkin-Huxley（HH）模型的生物基础分解为三个关键参数：离子通道动态响应、膜电位平衡状态以及电压门控机制。通过简化推导，建立了FitzHugh-Nagumo（FHN）、Hindmarsh-Rose（HR）和Morris-Lecar（ML）三种具有生物等效性的神经元模型。其中，ML模型完整保留了HH模型对钾钠钙离子通道的动态描述，其双时间尺度特性使神经元能够更精确地模拟生物突触的时序响应特征。

在突触机制设计方面，研究突破了传统STDP算法的线性假设框架。通过引入电压阈值自适应Memristor（VTEAM）元件，结合Joglekar、Bielek和Prodromakis三种非线性窗口函数，构建了具有生物学习特性的突触记忆模型。特别值得关注的是， Prodromakis窗口函数引入了概率性脉冲发放机制，该设计首次被证实能显著提升复杂噪声场景下的图像恢复精度。

实验体系搭建采用模块化设计策略：基础网络架构为25×5的二维SNN结构，通过替换神经元模型和调整Memristor参数实现拓扑变异。针对图像恢复任务，研究团队开发了定制化评估方案：在标准测试集上，每个网络需完成5000次迭代训练，每次迭代包含2000次脉冲事件处理。评估指标不仅涵盖传统准确率（SSIM指数）和收敛速度（ settling time），还创新性地引入了突触响应动态曲线（memductance transient response），该指标可量化突触记忆的衰减速率与恢复效率。

实验发现存在两个关键性能维度：时间效率维度显示ML模型网络较FHN模型快23.6%，HR模型快17.2%；恢复质量维度ML模型SSIM指数达到0.917，较I&F模型提升41.3%。窗口函数的影响同样显著， Prodromakis函数在低信噪比（SNR<5dB）场景下恢复成功率提升至89.7%，而Joglekar函数在高SNR（>15dB）时表现更优。值得注意的是，当ML神经元与Prodromakis突触组合时，网络展现出类生物学习特性，其脉冲发放间隔能自适应调整噪声强度，该现象在电压响应曲线中表现为明显的多峰特性。

研究首次系统揭示了生物神经元模型复杂度与网络收敛效率的正相关关系。通过对比三种模型的动态响应曲线发现，ML模型的膜电位衰减过程与真实神经元放电间隔高度吻合，这种生物特性在训练初期（前1000次迭代）就展现出优势，使网络能更快捕捉到噪声分布的统计特征。实验数据表明，采用ML模型的网络其突触权重更新速率较FHN模型提升3.8倍，这种加速效应在复合噪声场景下更为显著。

在突触参数优化方面，团队通过设计多组对比实验揭示了非线性窗口函数的关键作用。Bielek函数的双阈值机制有效抑制了训练过程中的振荡现象，使网络在200次迭代后达到稳定状态，而Prodromakis函数的概率性衰减特性则能更好地适应非均匀噪声分布。特别研究发现，当电压阈值自适应机制与离子通道动态模型（ML神经元）结合时，网络对脉冲时序的敏感性提升42%，这种机制在识别低对比度边缘时效果尤为突出。

研究建立的九种网络拓扑结构形成了完整的性能矩阵：在时间效率维度，ML-Bielek组合达到最佳平衡，其加权记忆训练周期（从初始配置到稳定状态）仅需783个脉冲事件，较其他组合快12-18%；在恢复质量维度，ML-Prodromakis组合的SSIM指数达到0.923，较基准模型提升18.7%。这些发现为神经形态芯片的参数优化提供了明确指导，特别是对实时处理系统要求较高的应用场景，ML-Bielek组合的时延优势可降低38%的硬件资源消耗。

研究突破传统SNN训练的稳定性瓶颈，通过引入自适应电压阈值机制，使网络在训练过程中始终保持稳定的脉冲发放模式。实验数据显示，采用VTEAM-Morris-Lecar架构的系统在500次迭代后仍能保持92%的脉冲同步率，而传统I&F模型在此阶段同步率已降至67%。这种稳定性提升源自ML模型对膜电位动态平衡的精确模拟，其双时间尺度响应特性有效抑制了训练过程中的振荡现象。

在应用层面，研究团队开发了定制化的图像恢复测试平台。该平台采用高斯白噪声与椒盐噪声的混合污染模式，通过蒙特卡洛方法生成具有统计特征差异的测试集。特别设计的噪声注入模块能精确控制噪声的空间分布特性，在字符边缘区域引入15%-20%的噪声强度波动，这种仿生噪声模式能有效检验网络的自适应学习能力。测试集包含5种标准字母模板（8×8像素）及其在10种不同噪声条件下的变形版本，总样本量达5000组。

通过构建多维评估体系，研究团队不仅量化了网络性能，还建立了生物等效性评价指标。该体系包含三个维度：时序特性（脉冲发放间隔的方差系数）、空间特征（突触连接的拓扑分布相似度）、学习效率（达到目标SSIM值所需迭代次数）。对比分析显示，采用HR神经元与Bielek突触组合的系统在空间特征维度得分最高（0.87/1），而ML-Prodromakis组合在时序特性维度达到0.92/1，这种多维优化能力使网络在复杂噪声场景下展现出更强的鲁棒性。

研究还发现突触窗口函数的非线性特征与神经元模型的动态响应存在协同效应。当使用具有S型曲线特征的Prodromakis函数与ML神经元结合时，突触记忆的衰减速率与神经元的激活频率形成动态平衡，这种协同机制使网络在非平稳噪声环境中（如逐渐增强的噪声干扰）仍能保持稳定的恢复质量。实验数据显示，在噪声强度从5dB逐步增加到15dB的过程中，ML-Prodromakis组合的SSIM指数波动幅度仅为8.3%，而传统FHN-Bielek组合在此过程中的波动幅度达到23.6%。

研究结论对神经形态计算系统设计具有重要指导意义。首先证实了生物神经元模型的详细动力学特性对网络效能的决定性作用，ML模型在处理具有复杂时空特征的图像噪声时，其恢复质量与人类视觉系统的辨识精度达到高度一致性。其次揭示了突触非线性特性与学习算法的适配规律， Prodromakis函数的概率衰减机制与STDP的时序关联特性形成互补。最后，研究提出了"双参数协同优化"理论，建议在神经形态芯片设计中同时优化神经元模型复杂度与突触函数非线性指数，这对构建高效能类脑计算系统具有重要参考价值。

本研究的工程实践价值体现在两方面：理论层面完善了MSNN设计理论框架，提出了生物等效性量化指标；技术层面开发了可扩展的模块化训练平台，其架构可适配不同规模的图像处理任务。研究团队特别开发的硬件仿真器，能够以1:2000的时序精度模拟脉冲神经网络的动态过程，这对神经形态芯片的验证测试具有重要支撑作用。未来研究可进一步探索多模态生物神经元模型与三维突触矩阵的集成，以及基于物理神经形态芯片的实时训练优化策略。