脉冲神经网络(Spiking Neural Network, SNN)被誉为第三代神经网络，使用更低层次的生物神经系统的抽象，既是神经科学中研究大脑原理的基本工具，又因其稀疏计算、事件驱动、超低功耗的特性而备受计算科学的关注。随着深度学习方法的引入，SNN的性能得到大幅度提升，脉冲深度学习(Spiking Deep Learning)成为新兴的研究热点。传统SNN框架更多的关注生物可解释性，致力于构建精细脉冲神经元并仿真真实生物神经系统，并不支持自动微分，无法充分利用GPU的大规模并行计算能力，也缺乏对神经形态传感器和计算芯片的支持，难以用于脉冲深度学习任务。
图1：SpikingJelly(惊蜇)框架的整体结构、示例代码、仿真速度、生态位以及典型应用
为了解决上述问题，永利集团田永鸿教授团队构建并开源了脉冲神经网络深度学习框架SpikingJelly(中文名：惊蜇)。SpikingJelly(惊蜇)提供了全栈式的脉冲深度学习解决方案，提供神经形态数据处理、深度SNN的构建、替代梯度训练、ANN转换SNN、权重量化和神经形态芯片部署等功能。SpikingJelly(惊蜇)框架的主要优势如下：
简单易用：脉冲深度学习作为计算神经科学与深度学习的交叉学科，要求研究者同时掌握两个领域的知识体系，但实际情况是研究者可能只对一个领域有深度了解。SpikingJelly(惊蜇)框架提供了简单易用的PyTorch风格的API、中英文双语编写的教程、活跃友善的讨论社区，常用的网络模型和训练脚本也一并给出，研究者可以快速进行跨领域的学习和使用，通过寥寥数行代码轻松构建并训练深度SNN。
扩展性强：通过模仿真实生物神经系统或借鉴人工神经网络的成熟经验，改进和提出新的SNN算法和模型，这种研究范式已经被广泛使用，成果颇丰。研究者期望能够自由地定义和扩展新模型，仅需少量代码改动就对模型行为产生巨大改变，这一开发理念与SpikingJelly(惊蜇)的设计哲学不谋而合。SpikingJelly(惊蜇)中的绝大多数模块都是通过层次清晰的多重继承实现，这既为开发者降低了开发成本，也给用户提供了完美的定义新模型的范例。
超高性能：深度学习涉及大规模数据处理、大尺度模型训练，脉冲深度学习亦不例外。SNN特有的额外的时间维度，使其具有更高的计算复杂度，因而脉冲深度学习对计算资源的需求更高。考虑到ImageNet这样百万规模样本的数据集已经在SNN中广泛使用，研究者愈发关注网络的训练速度。SpikingJelly(惊蜇)充分利用SNN的特性，通过计算图遍历顺序优化、JIT (just-in-time compilation, 即时编译)、半自动CUDA代码生成等技术来加速SNN仿真，与其他框架相比可达11倍的训练加速。第三方独立社区Open Neuromorphic组织对多个SNN框架进行了精细的速度基准测试，参与评测的框架除了SpikingJelly(惊蜇)还包括来自Intel、SynSense时识科技、加州大学圣克鲁斯分校、海德堡大学、瑞典皇家理工学院等科技公司和学术机构的框架，结果表明SpikingJelly(惊蜇)具有最快的仿真速度，“more than 10 times faster than libraries that rely on pure PyTorch acceleration (比其他纯PyTorch加速的框架快10倍以上)”。
图2：SpikingJelly(惊蜇)框架中的典型模块
SpikingJelly(惊蜇)框架自2019年冬季一经推出就受到了研究者们的欢迎和广泛使用，基于SpikingJelly(惊蜇)的研究工作已经大量出版，将SNN的应用从简单的MNIST数据集分类扩展到人类水平的ImageNet图像分类、网络部署、事件相机数据处理等实际应用。此外，一些尖端前沿领域的探索也被报道，包括可校准的神经形态感知系统、神经形态忆阻器、事件驱动加速器硬件设计等。目前有超过123篇公开论文使用SpikingJelly(惊蜇)框架进行实验，其中包括3篇ICCV、3篇IJCAI、5篇NeurIPS、4篇CVPR、4篇ICLR、3篇AAAI、2篇ICML、3篇ECCV、1篇TMLR、1篇ACM MM、1篇PR、7篇IEEE Transactions (含1篇TPAMI)，以及1篇子刊Nature Communications，此外还有3篇非计算机领域的一区期刊文章。以上应用和研究表明，SpikingJelly(惊蜇)的开源，极大促进了脉冲深度学习领域的发展。
图3：SpikingJelly(惊蜇)框架的典型应用
SpikingJelly(惊蜇)框架的论文 “SpikingJelly: An open-source machine learning infrastructure platform for spike-based intelligence” 已经正式发表于Science子刊《科学·进展》(Science Advances)。永利集团田永鸿教授、中国科学院自动化所李国齐教授为共同通讯作者，永利集团2019级直博生方维、2019级直博生陈彦骐、2020级直博生丁健豪分别为第一、第二、第三作者，2020级直博生黄力炜亦为共同作者并对该研究做出重要贡献。本文的作者还包括yl9193永利官网人工智能研究院余肇飞研究员、法国国家科学研究中心Timothée Masquelier研究员、上海交通大学计算机科学与工程系2019级直博生陈鼎、鹏城实验室研究员周晖晖等人。国家自然科学基金、鹏城云脑网络智能重大科技基础设施项目、北京市自然科学基金为此项研究提供了资助。SpikingJelly(惊蜇)框架在2020-2022连续三年获得科技部领导的启智社区优秀开源项目，启智社区亦为框架的发展提供了大力支持。
论文网址：https://www.science.org/doi/10.1126/sciadv.adi1480
框架GitHub主页: https://github.com/fangwei123456/spikingjelly
框架启智社区主页: https://openi.pcl.ac.cn/OpenI/spikingjelly
框架出版物：https://github.com/fangwei123456/spikingjelly/blob/master/publications.md
