讓神經網路不再只是死記硬背

我們的大腦有一個關鍵特徵：隨時都能學習。

大腦厲害的地方，不只是能記住，還能隨時調整。舉個例子，你平常上學固定走的路線是長期記憶；但如果今天有交通管制，你會臨時改走捷徑，卻不會因此忘掉原本的習慣路線。這種兼具長期穩定及短期靈活的特性，讓我們能在複雜多變的世界中保持高效。

脈衝神經網路（Spiking Neural Networks, SNNs） 被視為最接近我們大腦的運作模型，但過去傳統SNN主要只靠STDP（Spike-Timing-Dependent Plasticity） 來學習。根據神經元脈衝的先後時序調整連結強度，帶來穩固的長期記憶。問題是，一旦訓練結束，網路就固定下來，難以再因應新情境。這與人腦不停學習的特性仍有落差。

因此，研究團隊提出在STDP訓練後加入短期可塑性（STP, Short-Term Plasticity）。STP能在毫秒到幾分鐘內臨時調整突觸效率，不會破壞原有權重，但能讓網路對新輸入更靈活。STDP負責穩固記憶，STP則提供臨時調整，兩者結合讓SNN更像人腦。

研究團隊設計了三種流程：

Pipeline 0→ 學完就定型：影像轉成脈衝後，用STDP訓練並分配標籤，訓練完成後就直接拿來分類。

Pipeline 1→ 學完後還能短期調整：在測試前多加一個STP（短期可塑性），讓網路能臨時調整。

Pipeline 2→ 短期調整＋更新標籤：除了加STP，還會更新標籤，確保神經元分工符合最新狀態。

結果發現，加入STP後，神經網路變得更快、更準、更穩。尤其在帶雜訊的版本中，差異最明顯。有別於傳統方法常只有少數神經元在工作，有了STP之後，更多神經元被動員，使網路更穩健。

SNN的學習不必在訓練結束後停下。結合STDP和STP，不僅能提升準確率與速度，還增強了抗雜訊能力，讓網路更貼近大腦的運作方式。研究團隊計畫加入更多元的大腦元素，如星形膠質細胞，讓模型更真實。這或許會是AI從依賴單一規則走向持續學習的重要一步。

聲明：本文使用ChatGPT輔助編輯

撰稿人：呂菁菁

Reference: Naderi, R., Rezaei, A., Amiri, M., & Peremans, H. (2025). Unsupervised post-training learning in spiking neural networks. Scientific Reports, 15(1), 17647.

https://doi.org/10.1038/s41598-025-01749-x