1.介绍
(205条消息) 十分钟了解什么是脉冲神经网络_Star_ACE的博客-CSDN博客_脉冲神经网络
(205条消息) 脉冲神经网络基础性知识_Star_ACE的博客-CSDN博客_脉冲神经网络优势
如何看待第三代神经网络SNN？详解脉冲神经网络的架构原理、数据集和训练方法 - 知乎 (zhihu.com)
2.评估
做的人很少，没有一个公共评价标准，机遇与风险并存
3.发展
脉冲神经网络（Spiking Neural Network）介绍 - 知乎 (zhihu.com)
但在现阶段，尽管脉冲神经网络以其低功耗、高效率以及基于时序数据的事件驱动处理等优点大受青睐，但其发展和应用却并不那么顺利，且仍面临着众多挑战：
- 真实的生物神经系统仿真过于复杂：生物神经网络工作原理已在多年的研究中被研究人员大体掌握，但是真实的生物体内的神经网络由于过于复杂，其结构细节仍然是个未解之谜，这对于根据真实的生物神经系统设计神经计算系统是一个极大的难题。
- 应用于实际场景面临挑战：如果使用人工设计的脉冲神经网络，根据其特性，一般而言更适用于动态场景的连续识别与推断。但在实际应用过程中，如何使场景能充分利用到脉冲神经网络的低功耗高速率以及事件驱动等特性，从而区别于第二代人工神经网络技术来突显和受益于其优势，则需要应用场景进行更加具体化、细节化地探索。同时，脉冲神经网络的应用与发展也依赖于神经计算芯片的发展，由于其新设计结构与计算模式，在传统芯片上目前而言并不能达到其理论上应达到的效果。
- 脉冲序列编码的局限性：脉冲神经网络中的信息传递是基于脉冲序列的，这就涉及到将一般的实数输入信息编码转化为脉冲序列。脉冲序列的编码方式目前主要有两类：基于频率的编码方式和基于时间的编码方式。对于前者而言，其无视序列内部的时间结构，序列中的精确信息都可能被忽略；而后者则能进行更高效精确的信息表示，具有更强的生物真实性。但当前多数脉冲神经网络算法都关注于频率编码，所以基于时间编码的算法仍待探索。
- 训练学习上的难度：对于直接训练脉冲神经网络，其监督学习方法多数是基于梯度设置的，缺乏生物合理性；另一种获得训练好的脉冲神经网络模型的方式是将训练好的传统神经网络直接进行转化，但这种转化受限于多方面引起的精度损失。所以相比较当前已较为成熟的人工神经网络，脉冲神经网络在真正的大型深层网络上的训练学习仍有很长的发展之路。
- 应用精度在较复杂任务上较低：脉冲神经网络在很长一段时间内争议不断，其中一个原因就是在应用精度方面其性能往往劣于传统人工智能网络。上述的编码和训练学习方面的问题都可能导致对其在较复杂任务上的应用精度的影响。故如何在保留脉冲神经网络原始优点特征的情况下提高其应用精度，也是脉冲神经网络未来发展的一大挑战。