从零构建脉冲神经网络：从单神经元到现代 Hopfield 网络

本项目由Geomaniac15在GitHub发布，以NumPy、Matplotlib等基础工具从零实现完整的脉冲神经网络体系，涵盖单神经元模型（LIF、Hodgkin-Huxley）、突触传递、兴奋-抑制网络、STDP学习规则、Hopfield记忆网络，并揭示其与Transformer注意力机制的深层联系，为学习者提供从生物物理学到现代AI的完整知识路径。

• 原作者/维护者: Geomaniac15
• 来源平台: GitHub
• 项目名称: LIF-neuron-model
• 项目链接: https://github.com/Geomaniac15/LIF-neuron-model
• 发布时间: 2026-05-31

项目愿景：从第一性原理出发，理解生物神经回路的计算基础及其与现代AI的联系，完全从零实现，不依赖任何深度学习框架，构建从单神经元生物物理学到现代Hopfield网络与Transformer注意力机制的知识弧线。

1. 单神经元模型:

   • 漏积分-发放（LIF）神经元：基于微分方程 τ_m dV/dt = -(V - V_rest) + R·I(t)，模拟膜电位积分与泄漏，超阈值发放脉冲并进入不应期。
   • Hodgkin-Huxley模型：包含电压门控Na+、K+离子通道，通过电导方程模拟动作电位的产生与离子动力学。

2. 网络模型:

   • 双神经元突触传递：单向连接，突触电流用指数衰减核模拟神经递质清除。
   • 100神经元兴奋-抑制（E-I）网络：80兴奋/20抑制神经元，随机稀疏连接，基于电导的突触，STDP学习规则。
   • STDP联想记忆网络：20输入/10输出神经元，侧向抑制（赢者通吃），通过STDP调整前馈权重。
   • Hopfield网络：
     • 二进制版：Hebbian权重学习，符号更新规则，理论容量约0.14N。
     • 连续版：softmax替换符号更新，与Transformer注意力机制数学等价（Attention(Q,K,V) = softmax(QK^T/√d)·V）。

3. MNIST应用: 采用Top-k注意力、原型记忆、动量更新等方法，实现数字补全任务。

• LIF神经元: 输入2nA时发放频率约36Hz，临界电流1.5nA（低于则不发放）。
• 双神经元: 神经元B在A脉冲后约10ms发放，验证因果突触传递。
• E-I网络: 涌现15Hz节律振荡，同步/异步状态转换模拟癫痫与健康皮层活动差异。
• Hodgkin-Huxley模型: 生成真实动作电位（峰值+40mV，宽度约3ms），自然涌现不应期。
• STDP网络: 训练后可识别20%位翻转的损坏模式，实现模式分离。
• Hopfield网络:
  • 二进制版：N=100时容量约14个模式，30%噪声下完美检索。
  • 连续版：容量提升至500+模式，接近完美检索。
• MNIST补全: 30%噪声下分类准确率57.2%，像素重叠度89.6%，0/1/7数字最可靠，2/3/8易混淆。

本项目是罕见的从零完整实现脉冲神经网络的范例，不依赖PyTorch/TensorFlow等框架，通过NumPy手工构建从单神经元到现代Hopfield网络的全部内容。其价值在于：

1. 生物启发: 从真实神经元行为获取灵感，理解神经计算本质。
2. 数学基础: 深入掌握各模型背后的物理与数学原理。
3. 逐步构建: 从简单到复杂，每一步验证理解。
4. 跨领域联系: 揭示经典神经网络与现代Transformer的深层关联。

对希望深入理解神经网络原理的学习者而言，是极佳的资源，帮助超越API调用，真正掌握神经计算的核心。