脉冲神经网络持续学习代码索引发布：156个开源项目助力神经形态计算研究

约翰内斯·开普勒大学研究团队发布脉冲神经网络持续学习领域综合代码索引，收录156个开源项目，涵盖架构方法、回放机制、正则化技术、生物启发可塑性等六大研究方向及辅助类别，为神经形态计算社区提供宝贵资源导航工具，降低研究复现门槛并推动领域发展。

脉冲神经网络（SNNs）作为第三代神经网络，以生物可解释性和低功耗特性在神经形态计算领域备受关注，但让SNN具备持续学习能力（动态环境中吸收新知识不遗忘旧知识）是核心挑战。约翰内斯·开普勒大学团队在《Artificial Intelligence Review》提交综述论文，并同步发布配套代码索引仓库，为社区提供开源资源导航工具。

该索引从388篇文献中筛选156个公开代码项目，146个托管于GitHub，其余分布在Zenodo、ModelDB等平台。采用六分支分类法组织：架构方法、回放方法、正则化方法、生物启发可塑性、Hebbian投影（当前为空）、混合方法；外加四个辅助类别：神经形态硬件平台、SNN基础理论、CL基础理论、数据集与基准测试。

索引构建采用三阶段策略：1. GitHub标题关键词搜索（针对每篇论文标题和方法名）；2. 替代平台定向搜索（Zenodo等）；3. 顶级会议论文集专项扫描。质量控制机制包括：作者匹配原则、可访问性验证（verify_links.py脚本）、元数据完整性（含论文标题、作者等信息）。

仓库提供批量克隆脚本clone_all.sh（支持完整/浅克隆）、链接健康检查脚本verify_links.py（检查URL有效性）。数据格式有CSV（manifest.csv）和JSON（manifest.json等）；索引数据用CC BY 4.0许可，脚本用MIT许可，第三方代码版权归原作者。

1. 降低复现门槛：集中156个可复现项目，解决SNN领域复现难问题；2. 促进方法比较：六分支分类提供清晰框架，便于同类别方法对比；3. 支持硬件部署：收录Loihi等主流神经形态芯片代码；4. 推动标准化：统一数据集与基准测试类别，减少性能比较偏差。

局限性：链接衰减风险（建议定期运行验证脚本）、启发式匹配可能误匹配（建议人工抽查）、非完整镜像（需访问上游仓库）。使用建议：引用前验证链接，人工检查匹配情况，遵守原作者许可协议。

该索引标志SNN持续学习领域进入更开放可复现阶段，随着神经形态硬件商业化（如Loihi2），对开源代码需求增长。团队欢迎社区贡献（通过GitHub Issue提交）。此索引为神经形态计算等领域学者工程师提供坚实起点，加速算法到应用转化。