SNN
以离散 spike 通信、以内部状态随时间演化的神经网络。
对应章节 →Glossary
一句话建立索引，再回到对应章节理解上下文。
Spike
神经元在某一时刻是否发放的事件；通常表示为 0/1。
对应章节 →Spike Train
同一神经元沿时间排列的 spike 序列，或一组发放时刻。
对应章节 →Firing Rate
观察窗内 spike 数除以总时长；是一种统计编码。
对应章节 →IF
只积分输入、不包含泄漏项的 integrate-and-fire 神经元。
对应章节 →LIF
包含泄漏、积分、阈值、发放和重置的简化神经元。
对应章节 →Membrane Potential
神经元积累输入并跨时间保存的隐藏状态。
对应章节 →Leak
让历史膜电位随时间衰减的机制。
对应章节 →Threshold
膜电位触发 spike 的判定边界。
对应章节 →Reset
发放后更新膜电位的规则，可减阈值或硬置零。
对应章节 →Time Step
离散仿真中一次状态更新代表的时间间隔。
对应章节 →Surrogate Gradient
在反向传播中替代硬阈值局部导数的平滑估计。
对应章节 →BPTT
把递归状态沿时间展开后执行反向传播。
对应章节 →Rate Coding
用一段时间内 spike 数量或频率表示信息。
对应章节 →Temporal Coding
用首次发放或 spike 精确时刻表示信息。
对应章节 →ANN-to-SNN
把 ANN 连续激活映射为 SNN 发放率或时序响应。
对应章节 →Neuromorphic Computing
围绕神经状态、事件通信和局部存储设计的计算范式与硬件。
对应章节 →Event Camera
像素在亮度变化越过阈值时异步产生事件的传感器。
对应章节 →Polarity
事件亮度变化方向：正事件表示变亮，负事件表示变暗。
对应章节 →Spike Rate
给定时间窗内的活动比例；过高会削弱稀疏优势。
对应章节 →Latency
从输入到足够可靠输出所需的时间或时间步。
对应章节 →×8
Common Misconceptions
把常见口号拆成可检验的条件。
SNN 是二值神经网络吗？
不是。spike 常为二值，但权重、膜电位、时间常数和训练梯度通常是实数。
0/1 spike 怎么表示复杂信息？
信息分布在数量、精确时刻、神经元群体模式及其与内部状态的关系中。
SNN 一定比 ANN 省电吗？
不一定。优势依赖稀疏活动、可跳过零值的执行后端和较少的数据移动。
Event Camera 必须配 SNN 吗？
不必。事件可转为 frame/voxel，交给 CNN、Transformer 或混合网络。
Spike 不可导为什么还能训练？
forward 保持硬 spike，backward 用 surrogate derivative 估计局部梯度。
SNN 就是 RNN 吗？
计算图上都可有递归状态，但 SNN 还具有阈值发放、reset 与 spike 通信语义。
Time Step 越多越好吗？
更多步可能提高 rate 分辨率，也会增加延迟、显存和计算；收益可能饱和。
Spike Rate 越高越好吗？
更高活动有时改善信号，却会削弱稀疏性并增加能耗；应和精度共同报告。