该研究论文讨论了神经元和神经元网络在大量噪声的外界环境中如何可靠地进行信息传输，并提出平衡突触连接来实现强大的稳健性的观点。

May, 2017

通过测量不同物种大脑内多地点局部场电位（LFP）的活动模式和信息交互能力，该研究发现在适度的兴奋 / 抑制（E/I）比例下产生的神经元阵列的规模和信息容量最大，同时也揭示了局部神经元阵列互动峰值的本质 —— 神经元落像是 “局部临界” 现象，是平衡 E/I 和神经元网络的一项普遍性质。

Dec, 2010

该论文研究使用 Hamiltonian Monte Carlo 算法进行概率推断在大脑皮层中的动态行为，并阐明了皮层计算的效率在于神经振荡的加速在推断方向上的重要性。

Jul, 2014

该研究提出了一个平均场模型，研究了神经元活动的自发性和同步性。当平衡抑制和兴奋的突触权重比为 4 时，网络呈现出自组织临界特性，而当存在外部电场时呈现出平衡网络的四种同步状态，该模型可以解释不同抑制水平下神经元活动的异步性，可能有助于理解不同大脑区域的神经元活动机制。

Jun, 2019

通过研究随机布尔网络的动力学吸引子的统计量，我们发现正的兴奋性平衡可产生具有较高记忆性能的临界点，而负的抑制性平衡则提供了具有更好预测性能的另一个临界点，并且有趣的是，固有的吸引子动力学对两种情况的性能几乎没有影响。

Aug, 2023

本文介绍了一种基于递归神经网络（RNN）的神经元群体动态行为的建模方法，该方法经过 macaque 大脑皮层的四个数据集的测试，效果较其他模型更好，其中，RNN 的自回归偏差是实现最高水平性能的关键因素之一。此外，提出了一个新的混合架构，将 RNN 与自我关注补充在一起，从而进一步提高性能。

Apr, 2023

本文探讨使用 chimera-based 框架，研究脑区之间同步的不同模式对认知系统的影响，并提出四个认知系统分类，以反映它们的不同功能角色。

Jul, 2018

通过从脑电图数据直接提取个性化的癫痫网络动力学预测模型，将基于主导的相干振荡及其动力耦合的模型与精确的个体特征相结合，我们展示了周期性脑刺激对癫痫网络动力学的治疗效果进行模型驱动的预测分析，从而推断出周期性脑刺激可以使癫痫网络动力学的病理状态转向正常的功能性脑状态。

Oct, 2023

通过生物学上的神经元网络组合中的多种互补机制，可以在人工神经网络中实现连续学习。

Apr, 2023

研究了神经网络中更多布尔规则的并行学习，发现忘却和学习的交替造成了多任务学习，同时发现 30％的抑制性突触可以优化整体性能，并支持信息传递的复杂骨架，是最大化学习表现的百分比，因为它确保表现所必需的网络兴奋性和所需的变异性，同时限制了资源的利用。

Aug, 2015