SSNN Foundations FOUNDATION COURSE
PROGRESS 0%
FIN

You Finished
SNN Foundations

完成不等于记住全部术语，而是已经拥有继续读论文、做实验和判断证据的基础框架。

12 CHAPTERS
NEXT: RESEARCH
现在你应该能够

用自己的话解释，
用代码验证。

  1. 01

    解释 SNN 与 ANN 的本质差别，而不是只说“输出是 0/1”

  2. 02

    从连续方程推到离散 LIF，并说明 β、阈值与 reset

  3. 03

    比较 rate、latency、temporal 与 population coding

  4. 04

    解释 surrogate gradient 与 BPTT 的完整梯度路径

  5. 05

    读懂 [T,B,C,H,W] 和基础 Spiking CNN 前向传播

  6. 06

    区分事件流、event frame、voxel grid 与下游网络

  7. 07

    比较 direct training 与 ANN-to-SNN conversion

  8. 08

    审慎判断 SNN 能效结论是否真的被硬件证据支持

NEXT

选择一条研究支线

不要同时追四条线。先选一条，读两篇代表论文，复现一个最小实验。

TRACK A

Event-based Vision

继续研究事件表示、检测、光流与 SNN–ANN 混合系统。

先读 Event-based Vision: A Survey 与 SpikeSlicerTRACK B

Spiking Transformer

比较 Spikformer、Spike-driven Transformer 与硬件友好 token mixer。

先画出三篇方法的算子级差异表TRACK C

SNN Training

深入 surrogate、online learning、rate-based backprop 与梯度稳定性。

先复现不同 surrogate slope 的消融TRACK D

Neuromorphic Hardware

从 Loihi、TrueNorth、SpiNNaker 理解算法约束如何映射到芯片。

先区分芯片内核、通信网络与测量边界
开始 Final Mini Project →返回学习路线