时间编码作为感觉运动物体推理的基础：千脑架构的脉冲神经元重新解释

Temporal Coding as a Substrate for Sensorimotor Object Inference: A Spiking Reinterpretation of Thousand Brains Architecture

千脑理论（TBT）及其开源Monty框架通过传感器运动推理实现物体识别——通过主动移动传感器扫描物体表面，逐次接触累积证据。当前实现将每次接触编码为密集浮点向量。尽管Monty追踪步间位移并跨接触累积证据，但将每次接触的特征激活模式视为无序集合——特征被感知的方向序列不具表征权重。在TBT中，接触序列具有空间意义：从左到右扫描时，先感知特征A后感知特征B，揭示了A与B在物体上的相对位置。密集向量丢弃了这种顺序性。我们提出用秩次序脉冲包替代密集向量：每次接触产生短暂神经活动爆发，其中激活最强的神经元优先放电。连续爆发间的时间间隔隐式编码传感器位移，无需显式坐标计算。基于生物启发的学习规则（STDP）将遍历方向编码至突触权重。可学习参数λ调节对早期与近期接触的依赖，自适应于各物体的几何结构。我们推导出三个可检验的预测，并指定约450行NumPy代码实现四个组件。三项合成实验验证核心主张：在特征相同但空间排列不同的物体识别中，时序编码达到完美判别精度（密集累积方法为随机水平）；时序编码在所有测试噪声水平下保持30-50个百分点的优势；自适应λ收敛至不同值，反映物体几何复杂度。在Monty的YCB基准上的端到端评估留待未来工作。