Trong bài báo này, lấy cảm hứng từ cấu trúc nhánh phức tạp của tế bào thần kinh sinh học, chúng tôi đề xuất NSPDI-SNN, một phương pháp SNN hiệu quả và nhẹ kết hợp tích hợp nhánh phi tuyến tính (NDI) và cắt tỉa synap phi tuyến tính (NSP). NDI tăng cường biểu diễn thông tin không gian-thời gian trong tế bào thần kinh, và NSP đạt được độ thưa thớt cao trong SNN. Chúng tôi tiến hành các thí nghiệm trên các tập dữ liệu DVS128 Gesture, CIFAR10-DVS và CIFAR10, nhận dạng giọng nói và các tác vụ điều hướng mê cung dựa trên học tăng cường. Trong tất cả các tác vụ, chúng tôi đạt được độ thưa thớt cao với sự suy giảm hiệu suất tối thiểu. Đặc biệt, chúng tôi đạt được kết quả tốt nhất trên ba tập dữ liệu luồng sự kiện, chứng minh rằng NSPDI cải thiện đáng kể hiệu quả truyền thông tin synap khi độ thưa thớt tăng lên. Tóm lại, cấu trúc phức tạp của các nhánh tế bào thần kinh và tính toán phi tuyến tính chứng minh rằng NSPDI cung cấp một phương pháp đầy hứa hẹn để phát triển các phương pháp SNN hiệu quả.
