4. 脉冲神经元模型：LIF模型、突触动力学、发放率

好，咱们正式进入神经元模型这部分。我当年刚接触硅光计算芯片时，第一个困惑就是：

一个光子脉冲跟生物神经元的动作电位，到底差在哪？

说白了，数学模型几乎一样，只是物理载体不同。今天咱们就拆开 LIF、突触和发放率这三块。

4.1 LIF 模型——最常用的「漏电积分点火」

LIF 全称 Leaky Integrate-and-Fire。名字很直白：

• 漏电（Leaky）——膜电位会随时间衰减，像一杯漏水的杯子。
• 积分（Integrate）——输入电流不断往杯里加水。
• 点火（Fire）——水满溢出，产生一个脉冲，然后复位。

公式其实就一个微分方程：

τ_m * dV/dt = - (V - V_rest) + R_m * I(t)

τ_m 是膜时间常数，V_rest 是静息电位，R_m 是膜电阻，I(t) 是输入电流。一旦 V 超过阈值 V_th，就输出一个脉冲，然后 V 强制回到 V_reset。

4.2 突触动力学——电流怎么传递

光脉冲通过波导到达下一级，不是瞬间就激活的。突触电流有上升沿和衰减过程。

最常见的模型是指数衰减型突触电流：

I_syn(t) = w * exp(-t / τ_syn)   (t ≥ 0)

其中 w 是突触权重，τ_syn 是时间常数。更精确一点会用双指数模型，包含上升和下降两个时间常数：

I_syn(t) = w * (exp(-t/τ_decay) - exp(-t/τ_rise))

记不记得？你想想看，如果 τ_rise 远小于 τ_decay，突触电流就近似脉冲冲击，适合做快速光开关。

4.3 发放率——从时间编码到速率编码

脉冲序列怎么翻译成有意义的信号？两种主流方式：

1. 瞬时发放率：通过核函数平滑脉冲序列，得到时变速率 r(t)。
2. 平均发放率：在固定时间窗口内数脉冲个数，除以窗口长度。

我在优化硅光计算芯片的数据流时，发现平均发放率硬件实现更简单——只要一个光子计数器就行了。但代价是精度损失，尤其是当脉冲频率很高时，计数器会溢出。

# 一个简单例程：LIF 发放率 vs 输入电流
def lif_rate(I, tau=1.0, V_th=1.0):
    # 假设稳态解：f = 1 / (tau * log((I*R + V_reset - V_rest) / (I*R + V_th - V_rest)))
    # 这里简化
    if I <= 0: return 0
    return 1.0 / (tau * np.log((I + 0.0)/(I + 0.2)))

4.4 知识框架图

你看这张图，三种模型是串在一起的。没有突触动力学，LIF 就不知道输入电流怎么来；没有发放率，我们无法量化输出。在硅光芯片里，这三步全部由光波导、微环谐振器和光电探测器来物理实现。

4.5 实践小贴士——参数调优顺序

如果你刚开始搭脉冲神经元网络仿真，我建议按这个顺序调参：

1. 先固定 LIF 基本参数（τ_m, V_th, V_reset），用直流电流扫一遍 I-O 曲线。
2. 再调突触时间常数：单指数只有一个参数，很快就能匹配。
3. 最后选发放率计算窗口：窗口太短抖动大，窗口太长丢失时间信息。