想象你家的花园里有一座石砌蓄水池，专门收集雨水。池底有一道小小的裂缝：水一边灌入、一边渗漏；水位越高，池底水压越大，漏得越快。池壁上画着一条红色刻度线，一旦水位漫过红线，浮球开关就被触发——铃声响起、池水瞬间放空，随后重新开始蓄水。这座“边漏边积、满则发放”的蓄水池，恰好就是科学家眼中单个神经元的缩影：树突把上游信号灌进胞体，细胞膜像电容一样积累电荷，膜上的离子通道像裂缝一样不断漏电；当膜电位冲过阈值，神经元便发出一个“全或无”的脉冲，随即归零重来。这个被称为 LIF（Leaky Integrate-and-Fire，漏电积分发放）的模型，用一条简洁的电路微分方程，统治了计算神经科学与脉冲神经网络（SNN）六十多年。本篇文章将带你从这座蓄水池出发，把 LIF 的电路方程、数学推导、离散化仿真、参数调控与应用场景一次讲透。

岗位关联

对 AI 从业者：LIF 是脉冲神经网络与神经形态计算的最小可用单元，掌握它能直接指导 SNN 仿真器调参、事件相机数据建模与低功耗芯片算法设计，是类脑智能方向的必修第一课。

目录
  1. 可视化演示
  2. 神经元与脉冲
  3. LIF电路模型
  4. 积分发放机制
  5. 数学推导
  6. SNN离散化
  7. 参数与调控
  8. 应用场景
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

通过膜电位积分发放过程、RC电路类比和神经元模型对比，直观展示LIF漏电积分发放模型的核心机制与数学原理。

本节配有交互动效（进入视口后自动加载，约 3KB）。

膜电位积分与脉冲发放 输入电流对膜电容充电，电位逐步上升 达到阈值后发放脉冲并重置电位 τ(dV/dt) = -(V-V_rest) + RI 漏电积分使膜电位呈指数衰减特性

神经元与脉冲

要造蓄水池，得先看懂结构图纸，神经元同样有清晰的“施工图”。树突是密密麻麻的进水渠，把上一级神经元送来的“雨水”汇集起来；胞体就是那块石砌池体；轴突是唯一的出水管，通往下一站；连接处叫突触，相当于一个个可控阀门。神经生理学家发现，池水对应的物理量是膜电位——细胞膜内外的电压差。安静时它稳定在“静息水位”约 -70 毫伏，外面那圈“堤坝”（细胞膜）维持着这个平衡。

当突触阀门打开，正离子涌入胞体，膜电位就会偏离静息值，这叫去极化；反之则叫超极化。但电位不会无限升涨——一旦越过约 -55 毫伏的“红线”，神经元就会发放一个脉冲（spike）：一个时长 1-2 毫秒、幅度固定的电压尖峰。妙就妙在“固定”二字：脉冲要么完整发放，要么完全不发，绝不存在“半发”状态，生物学上叫“全或无”（all-or-none）。

单个脉冲本身没有强度信息，真正携带信息的是它在时间轴上的位置与密度。把一连串发放时刻记为 \(t_f\)，神经元的“对外广播”可以写成脉冲序列：

把成千上万座蓄水池用进水渠互相连接，一座铃响就拉开下游的阀门，瀑布般传递下去——这正是脉冲神经网络（SNN）的雏形。图纸看懂了，接下来要回答关键问题：到底用什么数学规则描述“边积边漏”？这就是 LIF 电路模型的由来。

s(t)=∑tfδ(t−tf)\displaystyle s(t) = \sum_{t_f} \delta(t - t_f)
这个公式是说：神经元的输出不是连续曲线，而是一串离散的“滴答”声。每次滴答对应一个脉冲，δ 函数就是数学上表示“此刻猛地响一下”的工具。
  1. s(t)脉冲序列函数，代表神经元在任意时刻 t 是否正在“响铃”。
    s(t)\displaystyle s(t)
  2. t_f发放时刻的集合，即每一次铃响的精确时间点。
    tf={t1,t2,t3,… }\displaystyle t_f = \{t_1, t_2, t_3, \dots\}
  3. δ(t - t_f)狄拉克 δ 函数，除 t = t_f 外处处为 0，在脉冲时刻形成一个无限窄的尖峰。
    δ(t−tf)\displaystyle \delta(t - t_f)
  4. 求和 Σ把所有时刻的尖峰叠加起来，就得到完整脉冲序列。
    ∑tfδ(t−tf)\displaystyle \sum_{t_f} \delta(t - t_f)

LIF电路模型

施工队不会直接搬砖，而是先画电路图。神经元的“电气工程师”发现，细胞膜可以看作一个并联电路：膜的脂质双层是很好的绝缘层，配合膜内外的离子分布，等效成一个电容器 C 来储电——对应池子的储水容积；膜上密布的离子通道则等效成一个电阻 R——对应池底那道裂缝，让电荷缓慢“漏”走。两者并联之后，再串联一个电池，电池电压就是静息电位 \(V_{rest}\)。

根据基尔霍夫电流定律，注入细胞的总电流 \(I(t)\) 被分成两路：一路给电容充电，即 \(C\frac{dV}{dt}\)；一路从电阻漏掉，即 \(\frac{V - V_{rest}}{R}\)。于是有：

移项并用 \(\tau = RC\) 化简，就得到 LIF 的核心方程：

这个一阶常微分方程精确捕捉了“漏水”的本质：方程右边的 \(-(V - V_{rest})\) 就是漏电项——电位偏离静息越远，膜两侧电压差越大，流过电阻的电流就越大，往回拽的力也越强；\(R I(t)\) 是输入项，相当于外部雨量抬升水位的驱动力；\(\tau = RC\) 称为膜时间常数，典型哺乳动物皮层神经元约 10-20 毫秒，它决定了电位变化的快慢。

从工程图角度看，LIF 就是一个 RC 低通滤波器外加一个漏水水槽：所有输入先被“积分”，又被“泄漏”截胡。方程写好后，下一步要给蓄水池立行为规矩——什么时候响铃，响完怎么重来。

I(t)=CdVdt+V−VrestR\displaystyle I(t) = C \frac{dV}{dt} + \frac{V - V_{rest}}{R}
τdVdt=−(V−Vrest)+RI(t)\displaystyle \tau \frac{dV}{dt} = -\left(V - V_{rest}\right) + R I(t)
  1. τ = R × C膜时间常数，由“池子容积”和“裂缝大小”共同决定，单位是秒或毫秒。
    τ=R×C\displaystyle \tau = R \times C
  2. dV/dt膜电位的变化速度，水位每单位时间涨落的多少。
    dVdt\displaystyle \frac{dV}{dt}
  3. -(V - V_rest)泄漏项，电位离静息越远，被拉回的力量越大，就像水池越满漏得越快。
    −(V−Vrest)\displaystyle -\left(V - V_{rest}\right)
  4. R I(t)等效输入项，把注入电流换算成对电位的“推动力”。
    RI(t)\displaystyle R I(t)

积分发放机制

有了方程，还要给蓄水池立规矩，一共三条。第一，雨滴落进来，水位要记下来，这叫“积分”；第二，水位每高一寸，裂缝漏得也快一分，这叫“泄漏”；第三，水位越过红线，必须响铃、排空、重新注水——整套流程合起来就叫“积分-发放”（integrate-and-fire）。

积分和泄漏其实发生在同一瞬间，而不是先积后漏。把微分方程解写成“卷积”形式看得最清楚：任意时刻 \(s\) 的输入对当前电位的贡献，都要乘以一个随时间衰减的指数权重：

积分之外，发放规则同样严谨。当电位到达阈值，把那一刻记为 \(t_f\)，随即发生瞬间重置：

三条规矩一立，蓄水池就有了“性格”：铃响是果，积水是因；漏得越快，雨后的余波忘得越快。接下来我们要动笔算一算——在稳定的暴雨下，铃到底多久才响？这就是 LIF 数学推导的高光时刻。

V(t)=Vrest+1τ∫−∞te−(t−s)/τ R I(s) ds\displaystyle V(t) = V_{rest} + \frac{1}{\tau} \int_{-\infty}^{t} e^{-(t-s)/\tau}\, R\, I(s)\, ds
  1. V(t_f) = V_th发放条件是电位恰好达到阈值，好比水位漫过红线。
    V(tf)=Vth\displaystyle V(t_f) = V_{th}
  2. V(t_f^+) = V_reset发放后紧接着把电位强制拉回重置值。
    V(tf+)=Vreset\displaystyle V(t_f^{+}) = V_{reset}
  3. 重置值通常等于静息电位水池排空后回到原来的低水位，等待下一轮积水。
    Vreset=Vrest\displaystyle V_{reset} = V_{rest}

数学推导

假设天上降下稳定的暴雨，雨量恒定 \(I_0\)；池子一开始空空如也，即 \(V(0) = V_{rest}\)。此时方程变成最朴素的形式，我们可以一步步把它解出来，精确预测铃响时刻。

对一阶线性常微分方程，用分离变量法可得解析解（在第一次发放之前 \(t < t_f\) 成立）：

要算铃响时刻，令 \(V(t_f) = V_{th}\)，解得首脉冲时刻：

这套推导揭示了 LIF 的“输入-时间”换算关系：输入翻一倍，铃响提前的速度服从对数规律，而不是线性规律。回到花园里，你会发现：雨越大铃越急，但裂缝（τ）始终在幕后决定节奏——这就是 LIF 数学之美的浓缩。

V(t)=Vrest+RI0(1−e−t/τ)\displaystyle V(t) = V_{rest} + R I_0 \left(1 - e^{-t/\tau}\right)
  1. 分子 R I_0稳态极限水位对应的“驱动力”，代表雨有多大。
    RI0\displaystyle R I_0
  2. 分母 R I_0 - (V_th - V_rest)从当前静息到阈值之间的“剩余爬升空间”。
    RI0−(Vth−Vrest)\displaystyle R I_0 - \left(V_{th} - V_{rest}\right)
  3. 对数 ln把“富余程度”变换成时间倍数，输入越强比值越大、时间越短。
    ln⁡(RI0RI0−(Vth−Vrest))\displaystyle \ln\left(\frac{R I_0}{R I_0 - (V_{th} - V_{rest})}\right)
  4. 边界条件当 \(R I_0 \le V_{th} - V_{rest}\) 时，雨量不足以让水池漫线，铃永远不响，\(t_f\) 趋于无穷。
    tf→∞\displaystyle t_f \to \infty

SNN离散化

电脑里没有流动的雨水，只有一帧一帧的照片。要在计算机中模拟成千上万座蓄水池，必须把连续方程切成小步 \(dt\)，这就是“离散化”。最直接的切法是欧拉法，用当前斜率外推一小步：

欧拉法简单，但步长稍大就容易漏报脉冲。更聪明的做法是“指数积分法”：既然泄漏项天然是指数衰减，就把 \(dt\) 内对常数输入的精确解直接写成递推式：

对照一下两种方法：欧拉法是“用切线代替曲线”，指数积分法是“沿着真实指数曲线走”。当 \(dt / \tau = 0.1\) 时欧拉法每步引入约 0.5% 的相对误差、累积后脉冲时刻漂移几个毫秒；一旦 dt 逼近 τ，欧拉法可能把本该响的铃直接“吞掉”。工程上还常用四阶龙格库塔法兜底，但代价是每步计算量成倍上升。选哪种方法，取决于水池的大小（τ）和你愿意付出多少算力。

V[t+1]=V[t]+dtτ(−(V[t]−Vrest)+RI[t])\displaystyle V[t+1] = V[t] + \frac{dt}{\tau}\left(-\left(V[t] - V_{rest}\right) + R I[t]\right)
  1. 旧电位泄漏剩余上一时刻电位经过 dt 之后剩下的部分。
    (V[t]−Vrest)e−dt/τ\displaystyle \left(V[t] - V_{rest}\right) e^{-dt/\tau}
  2. 新输入贡献dt 内注入电流贡献的电位增量。
    RI[t](1−e−dt/τ)\displaystyle R I[t]\left(1 - e^{-dt/\tau}\right)
  3. 小步长极限当 dt 很小时指数积分退化为欧拉法，因此欧拉只是它的近似。
    e−dt/τ≈1−dtτ\displaystyle e^{-dt/\tau} \approx 1 - \frac{dt}{\tau}

参数与调控

每座蓄水池都有四个旋钮：池子大小（τ）、红线高度（\(V_{th}\)）、放空目标（\(V_{reset}\)）和闸门检修时间（\(t_{ref}\)）。调好这四个旋钮，神经元就拥有了不同的性格。

时间常数 \(\tau = RC\) 是“记忆旋钮”。大水池（大电容）灌得慢、存得久，几句旧话念念不忘；小水池（大裂缝、小电容）反应快、忘得快，但能紧跟输入变化。阈值 \(V_{th}\) 是“谨慎旋钮”：阈值高的神经元八风不动，阈值低的一触即发。重置电位 \(V_{reset}\) 则是“复位旋钮”，通常拨回静息值。

不应期 \(t_{ref}\) 规定了铃响之后最快的再响速度——响铃瞬间水池必须排水检修，这段时间里任何雨滴都白搭。因此神经元存在一个理论上的最大发放率：

把第四节的充电耗时也考虑进来，恒定输入 \(I_0\) 下的稳态发放率更完整：

真实大脑正是靠调节这些“旋钮”（神经调质、突触可塑性）让不同神经元反应各异，从而编码丰富信息。LIF 把复杂的生物动力学压缩成四个参数，舍弃了细节，却换来了在大规模仿真中同时运转百万神经元的可能。

fmax=1tref\displaystyle f_{max} = \frac{1}{t_{ref}}
  1. 分母第一项 t_ref每次铃响后的固定检修时间。
    tref\displaystyle t_{ref}
  2. 分母第二项 τ·ln(……)把电位从重置值充到阈值所需的时间。
    τln⁡(RI0RI0−(Vth−Vrest))\displaystyle \tau \ln\left(\frac{R I_0}{R I_0 - (V_{th} - V_{rest})}\right)
  3. 极限行为输入趋于无穷大时，发放率逼近 \(1 / t_{ref}\)，被不应期锁死。
    f→1tref\displaystyle f \to \frac{1}{t_{ref}}

应用场景

当花园里上千座蓄水池通过水渠连成网络，一座铃响会依次拉开下游阀门，形成脉冲瀑布——这就是脉冲神经网络 SNN 的日常。SNN 的第一杀手锏是“事件驱动”：没有输入就没有计算，没有脉冲就没有能耗。

传统人工神经网络每一层都要做全量乘加，而 LIF 网络只有收到事件的那部分神经元才工作。在这类网络中，信息通常以“发放率”编码——统计一个时间窗口内响了多少次铃：

如今，Intel Loihi、IBM TrueNorth、清华天机等神经形态芯片把 LIF 神经元直接做进硅片，用上百万个“混凝土蓄水池”实现远比传统处理器节能的深度学习推理。对计算神经科学家而言，LIF 仍是解释注意力、工作记忆等认知现象的最小砖块。从一座漏水水池到一场脉冲瀑布，LIF 用最朴素的物理道尽了大脑的节奏。

r(t)=1Δt∫tt+Δts(t′) dt′\displaystyle r(t) = \frac{1}{\Delta t} \int_{t}^{t+\Delta t} s(t')\, dt'
  1. r(t)平均发放率，单位赫兹，代表信息的“强度”。
    r(t)\displaystyle r(t)
  2. Δt统计窗口长度，窗口越长估计越平滑、但反应越慢。
    Δt\displaystyle \Delta t
  3. s(t') 的积分对脉冲序列积分等价于数窗口内脉冲的个数。
    s(t′)=∑tfδ(t′−tf)\displaystyle s(t') = \sum_{t_f} \delta(t' - t_f)

AI 应用场景

低功耗语音唤醒的 SNN 关键词检测

阶段：模型推理（边缘部署）

解决的问题：手机、耳机里的“小爱”"OK Google"唤醒词若用传统 DNN 方案，麦克风必须持续采集、DSP 连续做矩阵乘加，待机功耗高达毫瓦级。改用 LIF 脉冲神经网后，音频被编码成异步脉冲事件，静音时没有脉冲就没有计算，只有事件到来才触发少量 LIF 神经元积分发放，待机功耗可降一个量级。

具体案例：某耳机厂商在 Cortex-M 系列 MCU 上部署含数百个 LIF 神经元的 SNN 关键词引擎，把语音帧编码为脉冲序列，用 τ≈10ms 的漏电积分平滑特征、阈值检测触发唤醒。实测唤醒功耗从 2.4mW 降至 0.3mW，准确率与 DNN 相当。

事件相机（DVS）的高速目标跟踪

阶段：数据预处理 + 脉冲神经网络推理

解决的问题：传统帧相机以 25-60fps 把整幅画面搬到内存，冗余信息多、时延大。动态视觉传感器只在亮度变化时输出一个带坐标的脉冲事件，天然匹配 LIF 的“事件驱动”风格——把每个亮度变化当作突触输入，用 LIF 网络在线积分、阈值发放，直接输出目标出现的时刻。

具体案例：无人机避障系统中，DVS 事件流按像素位置映射到 LIF 神经元的突触权值，每收到 50 个事件统计一次发放率，实现毫秒级检测延迟，比传统帧方案快约 10 倍。

计算神经科学的决策建模

阶段：科学计算仿真

解决的问题：神经科学家想验证“大脑如何做选择”的假说，人工神经网络缺少生物可解释性。他们用数万个 LIF 神经元搭建两群体竞争网络，用离散化递推式在 Brian2 等仿真器中迭代，观察哪个群体的发放率先越过阈值，从而解释反应时间的分布。

具体案例：在随机点运动（RDM）任务仿真中，LIF 神经元的发放率差值与受试者反应时间呈线性相关，为“知觉决策积累”理论提供了计算证据。

Python 演示

python59 行
import numpy as np TAU = 10.0      # 膜时间常数, 单位msV_REST = 0.0    # 静息电位(归一化)V_TH = 1.0      # 发放阈值(归一化)DT = 1.0        # 仿真步长, 单位ms  def run_euler(i_ext, n_steps, dt=DT):    # 一阶欧拉法离散LIF: v += (I - (v - V_rest)) / tau * dt, 取R=1    v = V_REST    spikes = []    for t in range(n_steps):        v += (i_ext - (v - V_REST)) / TAU * dt        if v >= V_TH:            v = V_REST            spikes.append(t)    return spikes  def run_exact(i_ext, n_steps, dt=DT):    # 指数积分法: 对常数输入给出精确解    v = V_REST    decay = np.exp(-dt / TAU)    spikes = []    for t in range(n_steps):        v = V_REST + (v - V_REST) * decay + i_ext * (1.0 - decay)        if v >= V_TH:            v = V_REST            spikes.append(t)    return spikes  def run_ref(i_ext, n_steps, dt=DT, sub=100):    # 细步长欧拉作为高精度参考解    v = V_REST    sub_dt = dt / sub    spikes = []    for t in range(n_steps):        fired = False        for _ in range(sub):            v += (i_ext - (v - V_REST)) / TAU * sub_dt            if v >= V_TH:                v = V_REST                fired = True        if fired:            spikes.append(t)    return spikes  if __name__ == '__main__':    i_ext = 0.3    n_steps = 500    se = run_euler(i_ext, n_steps)    sx = run_exact(i_ext, n_steps)    sr = run_ref(i_ext, n_steps)    print('euler: count=%d first=%s' % (len(se), se[:8]))    print('exact: count=%d first=%s' % (len(sx), sx[:8]))    print('ref  : count=%d first=%s' % (len(sr), sr[:8]))
目的：用 Python 对比欧拉法与指数积分法对同一个 LIF 神经元的仿真结果，观察脉冲时刻与脉冲数量的精度差异。
  1. v += (i_ext - (v - V_REST)) / TAU * dt欧拉法把“斜率 × 步长”加到当前电位，相当于记下每帧水位的变化量。
  2. decay = np.exp(-dt / TAU)指数积分法的泄漏因子，表示一个步长后旧电位保留的比例。
  3. v = V_REST + (v - V_REST) * decay + i_ext * (1.0 - decay)精确处理“泄漏”与“注入”两项的递推公式，比欧拉法稳定得多。
  4. if v >= V_TH: v = V_REST; spikes.append(t)阈值检测与重置：水位越过红线就记一个脉冲并把水池排空。

常见误区

误区我刚学 LIF 时以为它就是不断把输入加起来，加满阈值就放一个脉冲，跟数字计数器差不多。

正解漏电项才是灵魂。膜电位在积分的同时按指数规律向静息值衰减，τ 越小忘得越快。它更像一个“带孔的水桶”，而不是“存钱罐”。正是这个泄漏项让 LIF 拥有有限记忆、低通滤波特性和频率适应能力，与生物神经元的真实行为吻合。

为何常见：脉冲发放和“计数到阈值”的机制太像了，初学者很容易忽略微分方程中的 \(-(V - V_{rest})\) 泄漏项。

误区我调仿真参数时把 dt 设为 10ms，觉得和 τ=10ms 一样，反正都是时间单位。

正解τ 是神经元的物理属性（RC 乘积，约 10ms），dt 是数值积分的时间分辨率。仿真要求 dt 远小于 τ，通常取 0.1~1ms。若 dt 接近甚至大于 τ，欧拉法会严重失真，可能把本该发放的脉冲抹掉；换用指数积分法可以放宽限制，但两者依然不是一回事。

为何常见：二者都叫“时间”、单位也相同，初学仿真时极易混淆“模型时间常数”与“求解步长”。

误区画图时欧拉法和精确解几乎重合，那仿真里用欧拉法肯定怎么调 dt 都行。

正解dt 较小时（dt/τ < 0.1）两者确实接近；但 dt 变大或输入接近阈值时，一阶欧拉法的截断误差 O(dt) 会导致脉冲时刻提前、推后甚至漏报。SNN 训练需要对脉冲时刻精确求导，误差会被逐层放大，指数积分法或龙格库塔法才更稳。

为何常见：可视化的两条曲线重叠给人“没差别”的错觉，而实际训练中误差会在网络层间累积放大。

误区我以为脉冲就像波浪一样，电位慢慢升上去又慢慢降下来，是一条光滑的尖峰波形。

正解在 LIF（及大多数发放神经元模型）中，脉冲是瞬时事件：电位到达阈值后立刻被强制重置，输出被记为单个脉冲事件，而不是连续波形。真实生物脉冲的时程由离子通道动力学决定（如 HH 模型），LIF 把它简化为“零宽度”事件，这正是 SNN 高效计算的前提。

为何常见：看到膜电位图上画着“尖峰”，就误以为尖峰本身是连续过程，其实那只是画图时人为竖起的标记。

误区LIF 能复现脉冲发放，那它应该就是大脑神经元的全部秘密了吧？

正解LIF 只是 RC 电路级的近似，忽略了钠钾离子通道、动作电位形状、树突非线性等细节。HH 模型能解释脉冲的产生机制，Izhikevich 模型能复现几十种放电模式。LIF 的价值在于“简单到可以大规模仿真”——百万个 LIF 神经元能在神经形态芯片上实时运行，这是精细模型做不到的。

为何常见：LIF 被广泛使用、文献中出现频率高，容易给人“标准模型 = 完整模型”的错觉。

面试题

Q1. LIF 模型中的“漏电”在物理上指什么？

单选题 · easy

  • A.电容直接向地短路放电
  • B.电位经膜电阻向静息值衰减← 正确答案
  • C.输入电流从细胞膜完全流失
  • D.神经递质从突触间隙泄漏

答案：B。漏电指膜电位通过膜电阻 R 向静息电位 V_rest 方向流动，对应微分方程中的 -(V - V_rest) 项。A 是“短路”而非“泄漏”；C 错在电流要经过电阻而非凭空消失；D 描述的是突触递质，不是膜电位。类比蓄水池：裂缝漏水是因为有水压，水位越高漏得越快。

Q2. LIF 电路模型中，膜时间常数 τ 的正确表达式是？

单选题 · easy

  • A.τ = R / C（电阻除以电容）
  • B.τ = C / R（电容除以电阻）
  • C.τ = R × C（电阻乘以电容）← 正确答案
  • D.τ = I × R（电流乘以电阻）

答案：C。τ = RC。R（膜电阻）对应漏水裂缝，C（膜电容）对应储水容量，两者的乘积决定电位变化的快慢节奏。A、B 把两个参数除反了，D 用电流乘电阻得到的是电压而非时间常数。

Q3. 脉冲神经网络（SNN）中信息主要用什么编码？

单选题 · easy

  • A.脉冲的幅度大小与波形
  • B.脉冲发生时刻与发放频率← 正确答案
  • C.神经元胞体的体积大小
  • D.轴突上电信号的传导速度

答案：B。LIF 的脉冲是全或无事件，幅度固定，信息编码在时间轴的位置与频率中。A 错在幅度被模型固定；C、D 是神经元的结构属性，不携带信息。类比：蓄水池的铃只有“响/不响”，传递信息的是响的时刻与次数。

Q4. 恒定输入 I₀ 下，LIF 电位最终逼近的稳态值是？

单选题 · mid

  • A.V_rest + R·I₀ 的稳态渐近值← 正确答案
  • B.V_rest + I₀/τ 的时序混合值
  • C.V_th 本身确定的阈值高度
  • D.到达阈值后立刻保持恒定

答案：A。由指数解 V(t) = V_rest + R I₀(1 - e^{-t/τ})，t→∞ 时 V→V_rest + R I₀。B 的量纲是电压除以时间，不可能是电位；C 把阈值与稳态混为一谈，除非恰好相等否则不成立；D 与“越线即发放并重置”的机制矛盾。类比：雨量固定时，漏水水池最终停在“注入=泄漏”的平衡水位。

Q5. 增大时间常数 τ 对神经元行为的影响是？

单选题 · mid

  • A.充电更快并且遗忘更快
  • B.充电更慢但是记忆更久← 正确答案
  • C.阈值电压随之自动降低
  • D.脉冲幅度变得明显增大

答案：B。τ = RC 越大，电位爬升越慢、衰减也越慢，即“慢热且长记性”。A 把两个效果都说反了；C 中阈值是独立参数，与 τ 无关；D 中脉冲幅度是固定的全或无事件。类比：大水池灌得慢，但停雨后水也退得慢。

Q6. 下列哪些因素会导致离散仿真漏报脉冲？

多选题 · mid

  • A.仿真步长 dt 取得过大← 正确答案
  • B.使用一阶欧拉法近似求解← 正确答案
  • C.使用指数积分法递推更新
  • D.把阈值设得过高难以触发← 正确答案

答案：ABD。dt 过大可能让电位在一步内跨过阈值却未被检测；欧拉法截断误差 O(dt)，在阈值附近容易错判；阈值过高则输入不足以触发发放。指数积分法沿指数曲线精确更新、对常数输入不引入离散误差，因此 C 不会导致漏报。类比：拍照间隔太长会错过铃响的瞬间。

Q7. 恒定输入 I₀ 下，令 ΔV = V_th - V_rest，则首脉冲时刻 t_f 的正确表达式是？

单选题 · hard

  • A.t_f = τ·ln[RI₀/(RI₀ − ΔV)]← 正确答案
  • B.t_f = τ·ln[ΔV/(RI₀ − ΔV)]
  • C.t_f = τ·ln[RI₀/(ΔV + V_rest)]
  • D.t_f = τ·RI₀/(ΔV + V_rest)

答案：A。令 V(t_f) = V_th 代入指数解，得 t_f = τ·ln[RI₀/(RI₀ − ΔV)]。分子是稳态驱动力、分母是剩余爬升空间，比值大于 1 时对数为正。B 把分子错写成 ΔV；C 用 ΔV + V_rest 代替 RI₀，物理含义不对；D 丢掉了对数运算。

Q8. 以下哪些是 LIF 模型的主要简化假设？

多选题 · mid

  • A.脉冲是瞬时全或无事件← 正确答案
  • B.膜电位变化线性积分← 正确答案
  • C.发放后电位立刻重置← 正确答案
  • D.完整模拟钠钾离子通道

答案：ABC。LIF 把脉冲压缩为瞬时事件、把膜动力学近似为线性 RC 积分、把发放后状态简化为立即重置。D 描述的是 HH 模型的行为，LIF 恰恰忽略了离子通道细节，才换来极低的计算成本。类比：LIF 是“水箱加铃铛”，HH 才是“水轮机内部的齿轮”。

Q9. 不应期为 t_ref 时，神经元理论上的最大发放率 f_max 等于？

单选题 · hard

  • A.f_max = 1 / t_ref← 正确答案
  • B.f_max = t_ref / 2
  • C.f_max = 1/(τ + t_ref)
  • D.f_max = V_th / t_ref

答案：A。f_max = 1/t_ref。不应期是发放后无法再响的最短间隔，间隔越短单位时间响得越多。C 把充电时间也算进去了，那是在恒定输入下的稳态发放率而非理论上限；B、D 的量纲与定义都不符合。类比：闸门检修时间越短，铃能敲得越密。

Q10. 关于 LIF 离散化积分方法，下列说法正确的是？

多选题 · hard

  • A.欧拉法截断误差约为 O(dt)← 正确答案
  • B.指数积分法对常数输入精确← 正确答案
  • C.步长越小计算开销越大← 正确答案
  • D.神经时间常数必须等于步长

答案：ABC。欧拉法是一阶近似，误差量级 O(dt)；指数积分法沿指数解递推，对常数输入无离散误差；步长越小精度越高但计算量越大。D 混淆了神经物理属性 τ 与数值步长 dt，两者完全独立。类比：照片拍得越密越细腻但越吃存储，而“相机参数”与“拍照频率”是两回事。