TACSTechnology and Application of Computer Science2998-89262998-8934Art and Technology10.61369/TACS.2025140017Article基于脉冲神经网络大模型的理论架构、关键技术与应用探索https://artdesignp.com/journal/TACS/2/14/10.61369/TACS.2025140017江波,李劲20252142025-07-28脉冲神经网络（SNN）是类脑计算的核心实现载体，其通过模拟生物神经元的脉冲发放机制完成高效信息处理，向大模型方向发展后，为低功耗智能、实时感知等领域提供了全新技术路径。本文结合生物神经科学基础理论与工程实践经验，系统剖析脉冲神经网络大模型的核心架构设计要点，梳理训练优化过程中的关键技术难点，通过搭建简易实验平台完成性能验证，并探索其在边缘设备、自动驾驶等典型场景的实际应用方式。研究证实，基于稀疏脉冲编码与自适应突触可塑性机制构建的该类大模型，在保障推理精度基本达标的前提下，可实现 60% 以上的能耗降低，相较于传统深度学习大模型，具备更优的实时响应能力与环境适配性。本文研究成果可为脉冲神经网络大模型的工程化落地提供切实可行的理论支撑与实践参考。脉冲神经网络,大模型,类脑计算,稀疏编码,突触可塑性,低功耗智能

[1] 王清华, 王丽娜, 徐颂. 融合LSTM 结构的脉冲神经网络模型研究与应用[J]. 计算机应用研究, 2021.DOI:10.19734/j.issn.1001-3695.2020.05.0123.[2] 肖云开, 邹承明. 基于FPGA 的脉冲神经网络模型设计与实现[J]. 2023.DOI:10.19304/J.ISSN1000-7180.2021.1312.[3] 苏稚凯. 基于数据场与云模型的雷达信号源分选算法的研究[D]. 北京邮电大学,2022.[4] 刘浩, 柴洪峰, 孙权, 等. 脉冲神经网络研究现状与应用进展[J]. 中国工程科学, 2023, 25(6):61-79.DOI:10.15302/J-SSCAE-2023.06.011.[5] 李春林, 史旭飞, 王晓燕, 等. 基于脉冲耦合神经网络的图像分割应用分析[J]. 现代信息科技, 2021(021):005.DOI:10.19850/j.cnki.2096-4706.2021.21.022.[6]MA Jian-yu,MENG Xiang,ZHAO Ying. 基于脉冲神经网络的手写体数字识别[J]. 数字技术与应用, 2019(005):037.[7] 马建宇, 孟祥, 赵莹. 基于脉冲神经网络的手写体数字识别[J]. 数字技术与应用, 2019(005):037.[8] 张平均. 基于简化模型的脉冲耦合神经网络硬件实现技术探讨[C]// 电工理论学术年会.2004.DOI:ConferenceArticle/5aa4ecbac095d72220d1fd92.[9] 刘丽. 基于脉冲耦合神经网络和单类支持向量机的纹理检索[D]. 兰州大学,2011.DOI:CNKI:CDMD:2.1011.139913.[10] 蔺想红. 大规模脉冲神经网络的模拟与进化研究[D]. 哈尔滨工业大学,2011.DOI:CNKI:CDMD:1.2011.015549.