SpikingJelly：基于PyTorch的开源脉冲神经网络深度学习框架

SpikingJelly是基于PyTorch的开源脉冲神经网络（SNN）深度学习框架，提供模型构建、ANN-SNN转换、CUDA/Triton加速、神经形态数据集支持等完整功能。近期其关于内存高效训练的研究成果被ICLR 2026接收，为SNN领域发展提供重要支撑。

脉冲神经网络（SNN）作为第三代神经网络，具有能效高、生物可解释性强的优势，接近生物神经系统运作机制，在专用硬件上能耗显著降低。但SNN开发长期面临工具链不完善、学习算法复杂等挑战，SpikingJelly正是为解决这些问题而生。

SpikingJelly采用PyTorch一致语法，支持IF、LIF、ParametricLIF等经典神经元模型，模块化设计让用户可快速搭建SNN。同时提供ANN-SNN转换工具，通过权重缩放、阈值调整等策略，在保持性能的同时获得SNN能效优势。

框架为IFNode、LIFNode等引入Triton后端，生成优化GPU内核提升计算效率；FlexSN工具可动态转换脉冲神经元为Triton内核。此外内置神经形态数据集支持，提供统一加载接口，方便用户进行SNN实验。

SpikingJelly团队论文《Towards Lossless Memory-efficient Training of Spiking Neural Networks via Gradient Checkpointing and Spike Compression》被ICLR 2026接收。该方法结合梯度检查点与脉冲压缩技术，集成于spikingjelly.activation_based.memopt模块，可在不损失性能前提下显著降低内存占用。

框架支持脉冲自注意力机制（SpikingSelfAttention、QKAttention）以处理复杂序列任务；nir_exchange模块实现与NIR格式互操作；op_counter工具帮助分析模型计算复杂度，丰富SNN开发生态。

SpikingJelly采用奇数版本为开发版（同步仓库更新）、偶数版本为稳定版（PyPI发布）的策略。社区活跃，提供中英文双语文档，并有清晰贡献指南与代码规范，接受全球开发者贡献。

SpikingJelly在边缘计算、低功耗AI、神经形态芯片开发等领域潜力巨大，可助力研究验证与工程部署。未来将优化华为NPU支持、完善Triton后端，成为连接SNN研究与产业应用的桥梁。