Brian2 是一个基于 Python 的模拟器，它建立在之前的版本 Brian（用于python2）之上。它针对 SNN 模拟。该软件包允许用户将神经元模型的动力学描述为微分方程，从而实现极其灵活的模拟。 Brian 和 Brian2 的开发都考虑了计算神经科学，并且大多数评估都是针对神经科学工作负载进行的。 Brian2 的编写方式允许它在不修改核心代码的情况下为其他平台生成代码。下面详细介绍了一个这样的项目，Brian2GeNN。与 NEST 不同，Brian 是一个时钟驱动的模拟器，这意味着模拟被分解为时间步 dt，并且在每个时间步 t，神经元和突触模型在时间 t + dt 内更新。

项目文档

项目地址

Brian2GeNN 是一个神经形态软件模拟器包，它将作为 Python 前端的 Brian2 链接到基于 GPU 的 (GeNN)[https://github.com/genn-team/genn]（GPU 增强神经网络）包 。该模拟器通过使用称为代码生成 的过程为基于 Python 的 Brian2 构建 C++ GeNN 可执行文件来运行。该模拟器在访问独立代码中的状态变量值方面的灵活性有限，只能在模拟期间访问。此外，也不支持在模拟期间重新配置网络，这限制了其对多种工作负载的适用性。与 Brian2 类似，Brian2GeNN 也是一个时钟驱动的模拟器。

项目文档

基于pytorch，以前所未有的简单方式搭建SNN

项目地址

BrainPy提供了十多种神经元模型，从简单的整合发放模型，到复杂的HH模型，并且附有详细的模型文档，方便用户使用、提供了8种突触模型，包括基本的AMPA，GABA突触模型，以及短时程突触可塑性模型等、提供了多种突触学习更新法则，可以被方便地被调用、提供了丰富的网络动力学分析和可视化方式，方便用户理解神经网络的动力学计算机制。

项目文档

项目地址

NEST（神经模拟工具）最初是在 1990 年代后期开发的。它的主要目标是作为计算神经科学模拟器。它支持具有不同生物学细节水平的各种神经元和突触模型。例如，NEST 的神经元模型范围从泄漏积分和激发模型到详细的 Hodgkin-Huxley 模型。 NEST 是用 C++ 编写的，但有一个称为 PyNEST 的 Python 接口。该模拟器支持多线程混合并行化和 MPI 多节点模拟。它可以灵活地从单核笔记本电脑扩展到多节点超级计算机 。NEST 实现离散事件模拟；因此，NEST 的性能很大程度上取决于网络中的活动量。

项目文档

BindsNET 是一个主要针对使用神经形态计算实现机器学习和强化学习任务的框架。这个 SNN 模拟器包建立在流行的深度学习包 PyTorch 之上，支持多种不同的脉冲神经元和生物突触模型。原始论文报告说，与其他开源模拟器（如 Brian2 和 NEST）相比，BindsNET-GPU 提高了性能和可扩展性。在 BindsNET 中，网络中的不同神经元组被指定为网络的不同层，它们之间的突触连接由它们的连接权重矩阵建立。网络输出（根据脉冲和神经元电压）是通过为每一层指定“监视器”来获得的。网络的输入是通过指定一层“输入”节点来呈现的，它充当输入之间的中继脉冲和第一层脉冲神经元。这个包缺乏对突触延迟的支持。与 Brian2 和 Nengo 类似，BindsNET 也是一个时钟驱动的模拟器

项目地址

CARLsim是一个高效、易于使用、gpu加速的库，用于模拟具有高度生物细节的大规模峰值神经网络(SNN)模型。CARLsim允许在通用x86 cpu和标准的现成gpu上执行具有现实突触动态的Izhikevich峰值神经元网络。该模拟器提供了一个类似pynn的编程接口(C/ c++)，允许在突触、神经元和网络级别指定细节和参数。

项目主页

项目地址

Nengo 是一种基于神经工程框架 (NEF) 构建大规模模型的软件工具，NEF 是关于如何在生物基质中实现认知过程的理论。 Nengo 的原始版本是用 Java 编写的，而其最新版本是用 Python 实现的。 Nengo 有自己的基于 CPU 的模拟器，以及 FPGA 版本 NengoFGPA 。 x在这项工作中，我们评估了 Nengo 和 Nengo Loihi。虽然 Nengo 最初是为计算神经科学模型设计的，但它也已扩展到机器学习工作负载，包括 NengoDL，Nengo 的一个版本，将计算神经科学和深度学习思想结合到一个统一的包中，并包括使用深度学习方法的能力训练这些网络的参数。我们不会在这项工作中评估 NengoDL，因为它专门针对深度学习风格的计算。 Nengo 模拟器是一个时钟驱动的模拟器。

项目文档

基于英特尔loihi的nengo

项目地址

NEURON软件由杜克大学和耶鲁大学的研究人员合作开发，是用于为单个神经元和神经元网络建模的仿真环境。NEURON可以将多个一维的部分连接起来，来构成任意的神经元形态；向这些结构中加入多种膜属性，包括：通道、突触和离子浓度；向建模者呈现直观的模型环境，隐藏仿真中详细的数学过程 项目文档

Kulkarni, Shruti, Parsa, Maryam, Mitchell, J. Parker, and Schuman, Catherine. Benchmarking the Performance of Neuromorphic and Spiking Neural Network Simulators. United States: N. p., 2021. Web. doi:10.1016/j.neucom.2021.03.028.

BMTK本身并不是一个模拟器，它将利用现有的模拟器，如NEURON和NEST，来运行不同类型的模型。BMTK提供了：

跨不同模拟器的统一接口，这样建模师就可以跨不同模拟器使用和研究自己的网络模型，而不必学习如何使用每个工具。

一种设置和初始化网络模拟的简单方法，几乎不需要编程

在高性能计算上运行时自动集成并行化。

本机模拟器可能不支持开箱即用的额外内置功能。

项目地址

项目文档