# P5: SNN-native Hopfield

## 结论：当前不可行，标准 softmax Hopfield 远优于 LIF dynamics

## 对比

| | SNN Hopfield | Standard Hopfield |
|---|---|---|
| Paraphrase recall (5 pairs) | 20% | **100%** |
| With background (10+) | 0% | **90%+** |
| Latency | 10.8ms | **1.9ms** |
| Scalability | O(steps × dim²) | O(N × dim) |

## 为什么 SNN 失败

1. **More steps = worse**: steps=20 时 5/5，steps=200 时 1/5。LIF 动力学不收敛到正确 attractor，而是发散或卡在错误状态。
2. **LIF 不是 softmax**: Modern Hopfield 的 softmax 是精确的能量最小化。LIF 的 spike dynamics 不保证收敛到 Boltzmann 均衡分布。
3. **膜电位衰减干扰**: β=0.9 的指数衰减让信号快速丢失，长时间 settle 变成纯噪声。

## 需要什么才能让 SNN Hopfield work

1. 更复杂的神经元模型（不只是 LIF——需要 AdEx、Izhikevich、或 stochastic neurons）
2. 精确调谐的 E/I 平衡（兴奋/抑制）
3. 可能需要 stochastic neurons 做 proper Boltzmann sampling
4. 专用 neuromorphic 硬件（Loihi 2 的可编程神经元模型）

## SNN 在整个系统中的定位

| 组件 | SNN 可行性 | 当前方案 |
|------|-----------|---------|
| Encoder (emb↔spike) | ✅ 验证通过 (CosSim 0.99) | 保留备用 |
| Hopfield attention | ❌ 不可行 | 用 softmax |
| Hebbian multi-hop | ✅ WTA codes + W matrix | 已实现 |
| Pattern separation | ✅ WTA = 生物 DG | 已实现 |

**SNN 的真正价值在 neuromorphic 部署，不在 GPU 上替代 softmax。**