3.2 神经元模型：LIF 微分方程账本

3.2 神经元模型：LIF 微分方程账本

本节摘要：本节把第 2 章的"累积-越过-放电-复位"精炼成一张可上机的微分方程账——从最简的积积分发射模型到它的漏电版本，再到更生物的多房室与自适应模型。读完你能写出 LIF 方程、逐项解释每个符号，并能手动步进一个模拟片段。

这是全册出现频率最高的一张公式账。第 3.1 节给你 SNN 的总图，本节把总图里的"单个神经元"放大成方程。第 3.3 到 3.5 节的内容，几乎都建立在"我们有一个能算的神经元方程"之上——所以这一节值得放慢节奏读透。它接第 2.1 节的生物四步，迈向第 4 章的电路实现。

一、从积分器到漏电积分器

先看没有漏电的版本——积分发射模型（IF）。它把神经元想成一个纯积分器：输入电流"积"进膜电位，积到阈值就放电复位：

C * dV/dt = I_in(t)        # IF：积分，不泄漏
if V >= V_th: 放电;  V = V_reset
​

问题在于，纯积分器从不掉电，哪怕输入只来一下，电位也常驻，容量堆满后无法区分"持续慢输入"和"瞬时强脉冲"。生物实际会漏电，于是有了更常用的漏电积分发射模型（LIF），加一个让膜电位缓缓回落的漏电项：

tau_m * dV/dt = -(V - V_rest) + R_m * I_in(t)   # LIF
if V >= V_th: 放电; V = V_reset
​

逐项对回生物账：

• V(t) 膜电位，细胞当前的账；
• tau_m 膜时间常数，控制电位衰减的速度（漏电话的轻重）；
• -(V-V_rest) 就是"漏电"，把电位往静息 V_rest 上拽；
• R_m 膜电阻、I_in(t) 输入电流，来自上游脉冲的加权和；
• V_th 阈值判据，V_reset 复位值，放电即事件本体。

LIF 之所以"够用"，是因为它抓住神经元记账的三个本质（累积、阈值、复位），又简单到能塞进芯片——这正是第 4 章在硅上复现它的前提。LIF 省下的复杂度，是它牺牲生物精巧之处的代价，也留给了更重的模型。

再帮每个符号贴上"账"的标签，读起来就不迷路。 V_rest 是"未开机的账起点"（静息），V_th 是"这张票算不算数的闸线"（越过才开枪），V_reset 是"结完账归零的下一个起点"（复位）。中间的 R_m * I_in(t) 是"本期入账"——上游所有突触按权重汇总进来的那一笔输入；-(V - V_rest) 则是"老化折旧"——不分新旧，一律按 tau_m 的节奏向静息折旧，防止账面越积越厚。把这一步拆成"入账、折旧、闸线、起步"四处，你就拥有了把任何神经元方程都一以贯之地读懂的破拆法：先找它怎么入账，再看它怎么折旧，接着是闸线、复位，四个零件齐不齐、定得不合理，一眼就能判断。

二、把放电画成一条电位曲线

把一次越阈放电的膜电位变化画出来：安静时贴着静息线，输入一来电位被顶起，一旦顶穿阈值就冒出一根尖峰然后回落，随后可能因继续输入再抬升。这根"脉冲峰"就是每个神经元每次"记账结论"的记号。

三、模型的光谱：从 IF 到自适应

LIF 不是唯一选择，而是一条横轴上的一个点。往"富"的一端走：

• IF（积分发射）：无漏电，最简，只适合玩具。
• LIF（漏电积分发射）：加漏电，工程主力，TrueNorth、Loihi 都用它或其量化变体。
• 自适应 LIF（AdLIF）：在 LIF 上加一个"放电越多、阈值越高"的自适应项，模拟不应期，网络更稳定，抑制"连续乱放"。
• 多房室模型（如 HH 霍奇金-赫胥黎）：把树突、胞体、轴突分开建模，离子通道级生物真实，巨贵，一般只在神经科学研究里跑。

选型的账很直白：现场能塞进芯片的是 LIF/量化 LIF；要生物真实的是 HH。第 4 章硬件实际几乎全落在 LIF 阵营，因为它省、稳、可量产。

IF      ： V 积分不泄漏          -> 玩具级
LIF     ： 加漏电项              -> 工程主力（芯片级）
AdLIF   ： 加放电后自适应抬高阈值  -> 更稳，抑制狂放
HH(多房室): 离子通道级复现         -> 生物真实，成本极高
​

四、步进一次模拟

概念上手动步进两个时间步，体会 LIF 怎么在"漏电 + 累加 + 判阈"里作决定：

时间步0: V <- V_rest(-70) ; I=5  => V=-70*0.9+... 
时间步1: 有输入3      => V 抬升到 -58
时间步2: 输入叠加4    => V 抬到 -52  > 阈值(-55) => 放电!  V<-reset(-70)
​

（数值只示意方向，不必精算）要点是：连续两笔输入把电位从静息顶穿阈值，越过那一下触发尖峰并复位，下一轮从头再积。这套"顶穿即开枪"就是硬件里一个比较器加一个电容能做到的动作——第 4 章会讲它怎么落地成电路。

⚠️ 常见坑：LIF 放电后要复位，不然下一笔输入在"半积状态"上继续，累计误差会让网络乱放电。复位值是模型的可调参数，别默认清零。

💡 关键直觉：LIF 的"漏电项"正是它和普通累加器的分水岭——漏电让它能"忘记"旧账、对近期输入更敏感，这是时间信息处理能力的来源。

五、把 tau_m 和"时间步"的关系理清

读 LIF 最容易被一个细节绊住：方程里那个 dV/dt 是连续微分，可到了芯片和代码里全是离散时间步，两者怎么对上？答案藏在 tau_m 这个膜时间常数里。连续性版本说"电位按 tau_m 的节奏漏下去"；换成离散版本，一个时间步里电位往静息回落的比率大约就是 dt/tau_m——tau_m 越大，电位回落得越慢，神经元"记得越久"。于是你会发现一个很自然的工程三角：想让神经元对近期输入更敏感，就把 tau_m 调小；想让它对慢变信号更稳，就调大；而时间步 dt 一旦定死，能选的 tau_m 范围就跟着被限住了。许多新手在仿真里看到"神经元忘得太快"或"永远不落"的怪象，多半就是 tau_m 与 dt 的比例没配好。

这个"tau_m 决定记忆多长"的属性，也解释了为什么同一款 LIF 在不同芯片上行为会不一样：不同硬件的内核更新节奏（等效 dt）不同，要让行为对齐，就得回头调 tau_m。把这一步想通，你读第 5 章"仿真结果怎么映射回真机"会格外顺——那本质上就是在帮"同一颗神经元的 tau_m"在软件和硅之间牵线。所以 tau_m 不是方程里一个陪跑常数，它是时间语义的开关，工程上几乎每处都要为它留一根线。

该落的账

• IF 无漏电、LIF 加漏电：漏电让神经元能"忘记旧账"，对近期输入更敏感。
• LIF 方程逐项：膜电位、膜时间常数、漏电项、输入电流、阈值、复位。
• 模型光谱：IF → LIF → AdLIF → HH，往"生物真实"走成本越高。
• 芯片几乎全用 LIF 阵营：省、稳、可量产。