脉冲神经网络（SNN）被称为第三代神经网络，其使用更低层次的生物神经系统的抽象，既是神经科学中研究大脑原理的基本工具，又因其稀疏计算、事件驱动、超低功耗的特性而备受计算科学的关注。随着深度学习方法的引入，SNN性能大幅度提升，脉冲深度学习（SDL）成为新兴研究热点。
传统SNN框架更多关注生物可解释性，致力于构建精细脉冲神经元并仿真真实生物神经系统，并不支持自动微分，无法充分利用GPU的大规模并行计算能力，也缺乏对神经形态传感器和计算芯片的支持。 为解决上述问题，中国科学院自动化研究所研究员（以下简称自动化所）李国齐与北京大学计算机学院教授田永鸿团队合作构建并开源了脉冲神经网络深度学习框架SpikingJelly（中文名：惊蜇）。
介绍SpikingJelly (惊蜇)框架的论文SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence于近日在《科学》子刊《科学进展》在线发表。田永鸿、李国齐为论文共同通讯作者，北京大学计算机学院直博生方维为论文第一作者。
据介绍，SpikingJelly（惊蜇）框架具有简单易用、扩展性强、性能卓越等特点，自2019年冬季一经推出就受到了研究者们的欢迎和广泛使用，基于SpikingJelly（惊蜇）的研究工作也已大量出版，将SNN的应用从简单的MNIST数据集分类扩展到人类水平的ImageNet图像分类、网络部署、事件相机数据处理等实际应用。此外，一些尖端前沿领域的探索也被报道，并有超过95篇公开论文使用SpikingJelly（惊蜇）框架进行实验。这表明，SpikingJelly（惊蜇）的开源极大促进了脉冲深度学习领域的发展。
国家自然科学基金、鹏城云脑网络智能重大科技基础设施项目、北京市自然科学基金为此项研究提供了资助。
相关论文信息：
https://www.science.org/doi/full/10.1126/sciadv.adi1480
版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品，网站转载，请在正文上方注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，转载请联系授权。邮箱：shouquan@stimes.cn。
