知识卡片：NeuronSoup：无需反向传播的异步共享神经元时序图演化

英文标题：NeuronSoup: Evolving Asynchronous, Shared-Neuron Temporal Graphs without Backpropagation

英文关键词：genetic algorithm; asynchronous computation; shared neurons; delay-mediated propagation; neuroevolution

一句话结论

NeuronSoup 提出一种无需反向传播、不依赖可微计算图的神经计算架构，通过遗传算法协同演化网络的拓扑、权重、延迟和连接性，在 MNIST 分类任务上达到 85.9% 测试准确率，模型仅占 115 KB。

事件概述

论文提出一种名为 NeuronSoup 的新型神经网络架构，核心是用异步、延迟介导的信号传播替代传统的逐层同步处理。网络由一组共享的神经元池构成，每条路径将连续值信号从输入神经元路由到输出神经元，经过可变数量的中间隐藏神经元。隐藏神经元被物理上共享：当两条路径经过同一个神经元时，后到达的信号会与先到达的累积状态相互作用，产生取决于信号极性和到达时间的建设性或破坏性干扰。整个架构（包括拓扑、权重、延迟和连接）通过遗传算法协同演化，基因组为 14,602 个实值基因。在 10 类 MNIST 数字分类任务上（使用冻结的 ResNet18 特征作为输入），系统演化出 204 条活跃路径，经过 266 个隐藏神经元（其中 156 个被多条路径共享，单个神经元最多参与 11 条路径），经过 10,000 代演化后达到 85.9% 测试准确率。训练后模型占用 115 KB。

方法/产品要点

异步延迟传播：信号沿路径传播，延迟决定到达时间，神经元状态随时间累积，不依赖同步层结构。
共享神经元干扰：多条路径共享隐藏神经元，后到信号与已有状态产生线性叠加（极性相关），实现路径间的横向交互。
遗传算法优化：使用扁平实值基因组（14,602 个基因）编码整个结构，无需梯度计算，无需可微计算图。
变量计算深度：每条路径的隐藏神经元数量可变，网络为每个样本自适应调整计算深度。
领域泛化性：通过替换编码器和输出结构可适用于任意领域。

主要结果或产业意义

MNIST 分类准确率 85.9%（使用冻结 ResNet18 特征，非端到端训练）。
训练后模型仅 115 KB，远小于传统深度学习模型。
无需反向传播：规避了梯度消失/爆炸、可微性约束等典型问题。
适用于硬件受限、低功耗场景（模型极小、无需 GPU 训练）。

为什么重要

挑战了以反向传播为核心的学习范式，证明遗传算法在特定规模下能够有效演化复杂神经网络拓扑。
通过共享神经元和延迟介导的异步处理，实现了路径间的自然横向交互——传统架构需要手动设计（如注意力机制或横向连接）。
提供了一种无需可微计算图的替代路线，可能对新型计算硬件（如神经形态芯片）更有兼容性。

局限与不确定性

当前仅在 MNIST 子任务上验证，且使用预提取的 ResNet18 特征而非原始图像，泛化到更大规模数据集（如 ImageNet）的能力待核实。
85.9% 准确率与当前基于 CNN/Transformer 的 SOTA（>99%）差距显著；任务难度较低，无法直接对比。
遗传算法收敛速度慢（10,000 代），计算开销可能很大；作者指出 CMA-ES 不适用于该规模，但未提供其他演化方法的比较。
共享神经元干扰机制在大规模路径数下是否稳定、是否会导致状态爆炸待核实。
延迟参数的具体物理意义和可调节性在论文中未详细展开。

可用于图书/PPT/简报的角度

作为“无需反向传播的神经网络”案例，对比传统深度学习与演化神经网络的哲学差异。
举例说明异步计算如何突破同步层结构的限制，启发新型计算范式。
在低功耗/边缘计算场景中，极小模型（115 KB）可作亮点展示。
强调“路径间横向交互”这一机制，对比人工设计的注意力机制与自然涌现的交互。

与既有脉络的关系

本条卡片独立，未与其他已有卡片形成直接延续或更新关系。

原始材料

论文标题：NeuronSoup: Evolving Asynchronous, Shared-Neuron Temporal Graphs without Backpropagation
arXiv ID：2607.15217v1
作者：Subodh Kalia
发表时间：2026-07-16
分类：cs.NE, cs.LG
原文链接：https://arxiv.org/abs/2607.15217v1
PDF 链接：https://arxiv.org/pdf/2607.15217v1