摘要：脉冲神经元储备池计算将固定循环储备池的训练效率与事件驱动推理的能量效率相结合，其中计算由稀疏的脉冲触发，而非在每个时间步都密集执行。然而，现有的脉冲神经元储备池几乎完全依赖于漏积分–发放（LIF）神经元，而其低通特性限制了区分不同时间频率编码信息的能力。我们提出了HRF-Res，一种液态状态机，其中用异质的谐波共振–发放（HRF）神经元群体取代了LIF神经元。这些神经元具有内在的振荡动力学，并能选择性地响应输入频率，从而使储备池能够捕捉特定频率的时间模式。结果表明，与基于LIF的储备池相比，HRF-Res能够生成更具判别性的表示并实现更高的分类准确率，同时并未牺牲脉冲计算的能量效率，能耗甚至比同等非脉冲振荡型储备池低达19倍。在涵盖时间序列、序列图像、音频脉冲序列以及类脑视觉等十项基准上的评估显示，HRF-Res在脉冲神经元储备池方法中达到了最先进的准确率。这些结果表明，在脉冲神经元储备池中引入频率选择性动力学，能够在保持其固有能量效率的同时，提升表示质量和分类性能。
评论：| 已被NeurIPS 2026接收。30页（其中正文10页），4幅图。代码：见此https URL 主题：| 人工智能（cs.AI） 引用格式：| arXiv:2610.37906 [cs.AI] | （或
arXiv：2610.37906v1 [cs.AI] 适用于此版本） | https://doi.org/10.48550/arXiv.2610.37906
点击了解更多信息
通过DataCite发布的arXiv DOI（待注册）
提交历史
访问论文：
查看PDF
HTML（实验性）
TeX源代码
附加功能
音频摘要
当前浏览上下文：
参考文献与引用
Google 学术搜索
Semantic Scholar
书签
机构
arXivLabs 是一个框架，允许合作者直接在我们的网站上开发并共享新的 arXiv 功能。
无论是个人还是与 arXivLabs 合作的组织，都已认同并践行我们所倡导的开放、社区、卓越以及用户数据隐私等价值观。arXiv 致力于这些价值理念，并且只与同样秉持这些理念的合作伙伴开展合作。
您是否有一个能为 arXiv 社区创造价值的项目构想？欢迎了解更多关于 arXivLabs 的信息。