由于其内在的时间动态特性，尖峰神经网络（SNN）在生物学上更合理，计算能力也更强，而人工神经网络则更为可信。然而，普通的尖峰神经元难以同时编码输入的时空动态。受生物多突触连接启发，我们提出了多突触放电（MSF）神经元，其中轴突可以在突触后神经元上建立多个具有不同阈值的突触。MSF神经元通过发射频率共同编码空间强度，通过尖峰时序编码时间动力学，并将泄漏积分发射（LIF）和ReLU神经元作为特例推广。我们推导了替代梯度的最优阈值选择和参数优化标准，使基于MSF的深度SNN能够实现且性能不下降的可扩展性。多项基准测试的广泛实验表明，MSF神经元在保持低功耗、低延迟和高执行效率的同时，在准确性上显著优于LIF神经元，并在事件驱动任务中超越ReLU神经元。总体而言，这项工作推动了神经形态计算在现实世界时空中应用的方向。

https://www.nature.com/articles/s41467-025-62251-6