3.1 从 HH 到 Izhikevich：神经元模型谱系与取舍

3.1 从 HH 到 Izhikevich：神经元模型谱系与取舍

本节摘要：神经元模型是一条简化谱系：Hodgkin-Huxley 用四个状态变量精确复现离子通道，Izhikevich 用两个变量复现二十种发放模式，LIF 用一个变量覆盖最常用的积分发放行为。变量数大致决定了硬件成本，表达能力决定了任务覆盖。本节沿谱系逐级讲清"砍掉了什么"，给你一张模型选型地图。

上一章的 LIF 是谱系的末端，本节往回走，看它的"祖先们"各自贵在哪、强在哪。这节内容的用途非常具体：第 5 章芯片的神经核按模型分档，你选芯片其实是在选模型档位；第 4 章的学习规则对不同模型的兼容性也不同。先有谱系，后面才有的放矢。

Hodgkin-Huxley：从乌贼开始的精确物理学

1952 年 Hodgkin 和 Huxley 在乌贼巨轴突上测出钠钾通道动力学，方程把膜电位 V 与三个门控变量（m、h 控制钠通道，n 控制钾通道）耦合起来：

它的成绩是生物学级别的：精确复现动作电位波形、发放阈值、不应期和传导速度，两人因此拿了诺贝尔奖。但它对工程的杀伤力同样明确：每个神经元四个状态变量、每步要算三组非线性指数函数，硬件上一个 HH 神经元的成本是 LIF 的几十倍以上。Stanford 的 Neurogrid 是例外中的例外——它靠模拟电路的物理特性"免费"获得指数项，一块电路板仿真百万神经元；代价是每个芯片需要人工校准，工艺偏差直接变成个体差异。

Izhikevich：两变量换二十种模式

2003 年 Izhikevich 提出的折中成了工程界的甜点位：保留膜电位 V 和恢复变量 u 两个状态变量，配一个膜电位越过阈值后触发的指数型正反馈，用 22 个参数化场景复现了皮层已知的主要发放模式——规则发放、爆发发放、快速放电、低阈值发放、相位发放等等。它的妙处在于恢复变量 u 承担了通道动力学的"慢记忆"角色：发放后 u 被抬高或拉低，下一次发放的难度随之改变，这正是适应性和爆发行为的来源。

表里值得注意的一行是 AdEx（Adaptive Exponential Integrate-and-Fire）：它在 LIF 上加了指数阈值项和适应变量，恰好覆盖了"发放频率随刺激自适应衰减"这一工程上最常缺的行为。这不是巧合——第 5 章会看到 Loihi 2 的设计目标就是让 AdEx 这类模型用微码可编程，而不是焊死在 LIF 上。

简化的经济学：每砍一个变量，省的是什么

把这笔账算细一点。数字电路里一个状态变量就是一个寄存器加一套乘加通路；HH 的三个门控变量各需要查表或近似计算非线性函数，这在大规模阵列里是面积与功耗的支配项。粗略估算，28 纳米工艺下一个 LIF 神经元（含本地突触接口）能压到数百平方微米级，这正是 TrueNorth 每核 256 神经元、Loihi 2 每核 8192 神经元能做出来的物理前提。反过来，Izhikevich 的指数项若用查表实现，面积大约翻倍——所以多数芯片选择把指数项留给可编程微码，按需启用。

# Izhikevich 模型最小实现：看"恢复变量"如何制造适应性
import math
a, b, c, d = 0.02, 0.2, -65.0, 8.0     # 规则发放参数组
v, u = -65.0, b * -65.0
I = 10.0                                # 持续强刺激
spike_times = []
for t in range(1, 1001):                # 1000 步，步长 1 ms
    if v >= 30.0:
        v, u = c, u + d                 # 发放后复位，恢复变量累积
        spike_times.append(t)
    dv = 0.04 * v * v + 5 * v + 140 - u + I
    v += dv * 1.0
    u += a * (b * v - u) * 1.0
# 观察：前 200ms 发放密集，随后间隔拉长——u 的累积抬高了下一次发放门槛
print("前200ms发放:", sum(1 for s in spike_times if s <= 200), "次")
print("后200ms发放:", sum(1 for s in spike_times if s > 800), "次")
​

跑这段代码你会看到适应性出现：同样的持续刺激，早期发放密、后期疏——恢复变量像一小块"疲劳记忆"。生物里这叫发放频率适应，工程里这就是为什么肌电控制、传感器增益调节类任务离不开二变量模型。

💡 一个实用的映射记忆法：变量数对应"记忆的层次"。LIF 只有膜电位一层快记忆；Izhikevich/AdEx 多一层发放间慢记忆；HH 再多出通道构象级细节。你的任务需要几层记忆，就选几变量的模型——这是比"哪个更真实"更有效的选型准则。

选型之外，补一张"模型档次与芯片支持"的对照，把本节和第 5 章接上：TrueNorth 只支持固定档 LIF 变体，模型自由度为零但能效极致；Loihi 一代的 LIF 参数可调、二代的微码机制让你自定义更新方程，AdEx 与 Izhikevich 风格的模型都能写进去，代价是微码指令数有限、复杂模型要拆成多条指令执行；SpiNNaker 走软件路线，任何你写得出的模型都能跑，只是每神经元成本回到通用 CPU 的量级。一个直接的推论：如果你的任务真的需要二变量模型，选平台时就该排除 TrueNorth 式固定架构——模型档次是平台选型的第一筛子。

模型谱系的本质是记忆层次的裁剪：LIF 记住"现在攒了多少电"，Izhikevich 多记住"刚才发过多少"，HH 连"通道开合到哪一步"都记。按任务需要的记忆层次选模型，而不是按逼真程度。

下一节我们打开单元之间的接口：突触不只是权重，它自己就是一个有状态的计算单元。