⚡ SNN 时序编码 · 时间即信息
同一个模拟刺激，三种"脉冲→解码"方案：哪个先读出？花几个脉冲？怕不怕抖动？
① 刺激与噪声
播放一次脉冲事件序列
② 三种解码方案对比（同一刺激 x=0.50）
方案A · 时序码（单脉冲，时刻即数值）
方案B · 时序码（5 神经元种群平均）
方案C · 频率码（统计窗口内脉冲密度）
每次「重放」是一次新试验：卡片「读出 x̂」显示本次实测解码值，± 为理论 1σ（多次试验的散布）。σ=0 时 A/B 读出恰为真值；C 即使 σ=0 也在真值附近随机跳动——因为率码的噪声来自泊松计数本身，不是抖动。
③ 原理
时序编码把"强度"翻译成"时间"：刺激越强，神经元越早发放第一个脉冲（time-to-first-spike，TTFS）。读出端只要收到那个脉冲，脉冲到达的时刻本身就是数值——无需等待、无需数数，只需 1 个脉冲，能量最低、延迟最短。
代价是怕噪声：单个脉冲若被抖动 ±σ，读出误差 ≈ σ/换算斜率。想抗噪又不失速度，可用多个神经元并行各发一个脉冲、取首个脉冲时刻平均（种群时序码，误差 ∝ σ/√M）。
频率码（率码）相反：把强度变成发放频率，靠整窗计数估计，延迟 = 积分窗 W，且消耗 ≈ r·W 个脉冲——最"费电"最慢。它对脉冲抖动（σ）天然鲁棒，但代价是发放本身的随机性（泊松计数）：窗内数到多少个是随机的，读出的不确定度 ∝ √(r·W)/斜率，只能靠加大 W 摊薄。
这正是神经形态芯片（如事件相机）低功耗的原因：多数时间无脉冲=零功耗；而类脑时序处理要赢，必须在"快到"与"稳到"之间取舍——可引申到脉冲网络如何作为自动驾驶/边缘感知的时间敏感前端。
← 返回演示列表