spikingjelly: 一個用於大規模脈衝神經網路訓練與推論的 PyTorch-native 框架

它解決了什麼問題

SpikingJelly 是一個 PyTorch-native 框架，旨在簡化脈衝神經網路 (SNNs) 的開發、訓練與部署。它提供了處理脈衝神經元獨特時間動態所需的基礎設施，這些動態與傳統的人工神經網路 (ANNs) 不同，同時保持與 PyTorch 生態系統的相容性。

運作原理

該框架整合了脈衝神經元模型 (例如 LIFNode) 與代理梯度 (surrogate gradients)，讓 SNNs 可以使用標準的基於梯度的優化方法進行訓練。它支援多種加速後端——torch、cupy 與 triton——以優化神經元核心 (neuron kernels) 的執行。對於從傳統 AI 轉型的使用者，它提供了 ANN2SNN 轉換工具，將現有的人工神經網路轉換為脈衝版本。

目標對象

它針對從事神經形態運算 (neuromorphic computing)、脈衝智能 (spike-based intelligence) 與節能 AI 的研究人員與開發者，以及希望將事件驅動型數據集 (event-based datasets) 整合到機器學習工作流程中的使用者。

重點特色

• PyTorch-native API: 使用熟悉的 PyTorch nn.Sequential 與模組模式來定義 SNNs。
• 高效能後端: 支援 cupy 與 triton 以實現更快的神經元執行。
• 神經形態數據支援: 內建對多種事件驅動型數據集的存取能力 (例如 ASL-DVS, N-MNIST)。
• 部署就緒: 提供透過 NIR、Lava 與 Lynxi 將模型匯出至神經形態硬體的介面。
• 擴展工具: 包含記憶體高效能訓練 (memopt) 與用於多-GPU 工作負載的分佈式執行。