用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/hiyenwong/ai_collection --skill multi-plasticity-synergy-snn命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
基于 SOC 职业分类
正在显示 SKILL.md
| name | multi-plasticity-synergy-snn |
| description | Multi-Plasticity Synergy for SNN Training |
一种受生物学启发的 SNN 训练框架，整合多种协同可塑性机制，使不同学习算法能够协作调制信息积累，同时保持各自相对独立的更新动态。
read - 读取 SNN 配置和数据exec - 运行 Python 训练脚本web_fetch - 获取论文详细内容SNN 训练的挑战：
解决方案：
1. STDP (Spike-Timing-Dependent Plasticity)
- 基于脉冲时序的突触更新
- 时间不对称的学习规则
2. Reward-Modulated Plasticity
- 奖励信号调制突触变化
- 用于强化学习任务
3. Homeostatic Plasticity
- 维持网络活动稳定
- 防止神经元过度活跃或静默
4. Neuromodulated Plasticity
- 神经调质（多巴胺、乙酰胆碱）门控
- 上下文感知的学习
import torch
import torch.nn as nn
class MultiPlasticitySNN(nn.Module):
def __init__(self, num_inputs, num_hidden, num_outputs):
super().__init__()
self.fc1 = nn.Linear(num_inputs, num_hidden)
self.fc2 = nn.Linear(num_hidden, num_outputs)
# 多种可塑性机制
self.stdp_weights = torch.zeros_like(self.fc1.weight)
self.reward_weights = torch.zeros_like(self.fc1.weight)
self.homeostatic_weights = torch.zeros_like(self.fc1.weight)
# 自适应机制分配
self.mechanism_gates = nn.Parameter(torch.ones(3) / 3)
def forward(self, x, reward=None):
# 前向传播
h = torch.relu(self.fc1(x))
out = self.fc2(h)
return out
def update_plasticity(self, pre_spikes, post_spikes, reward):
# STDP 更新
stdp_update = self.compute_stdp(pre_spikes, post_spikes)
# 奖励调制更新
reward_update = reward * self.compute_eligibility(pre_spikes, post_spikes)
# 稳态更新
homeo_update = self.compute_homeostatic(post_spikes)
# 自适应加权组合
total_update = (self.mechanism_gates[0] * stdp_update +
self.mechanism_gates[1] * reward_update +
self.mechanism_gates[2] * homeo_update)
self.fc1.weight.data += total_update
User: 如何在 SNN 中同时使用 STDP 和奖励调制？
Agent: 使用 multi-plasticity-synergy-snn 技能：
1. 初始化两种可塑性机制
2. 在训练循环中：
- 计算 STDP 更新（基于局部脉冲时序）
- 计算奖励调制更新（基于全局奖励信号）
- 使用门控机制自适应组合
arXiv:2508.13673 的关键发现：
- 多机制协同比单一机制性能提升显著
- 自适应分配比固定权重更优
- 在神经形态数据集上鲁棒性增强
User: 这个框架在静态图像和动态神经形态数据上表现如何？
Agent: 根据 arXiv:2508.13673：
静态图像（MNIST, CIFAR）：
- 性能提升：比单一可塑性提升 2-5%
- 主要贡献：STDP + 稳态可塑性
动态神经形态（DVS 手势）：
- 性能提升：比单一可塑性提升 5-10%
- 主要贡献：STDP + 奖励调制
动态任务中多可塑性的优势更明显，因为：
- 时间信息更丰富
- 不同可塑性处理不同时间尺度
multi-plasticity-snn-training - 多可塑性 SNN 训练spikingjelly-framework - SpikingJelly 框架neuromodulated-synaptic-plasticity - 神经调制突触可塑性