本篇论文全面综述了现今人工神经网络中基于仿生学学习机制的表示，研究了加入更多仿生意义机制如突触可塑性以加强网络能力的可能性和挑战，并找到未来的研究方向，以更深入理解智能的本质。
May, 2023
人工神经网络 (ANNs) 是最广泛应用的生物启发计算形式之一。该论文探索了新的方法，通过借鉴生物学中神经微电路的作用，使用人工神经微电路 (ANMs) 来组装大型神经网络，以期成为现成的组件。论文展示了采用新颖性搜索方法生成此类微电路目录的初步结果，并讨论了扩展这项初步工作的努力，包括在这些努力中发现的挑战以及可能克服这些挑战的方法。
Mar, 2024
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
神经科学，人工神经网络，统计力学，Hopfield 网络和 Boltzmann 机器是人工神经网络领域的主要研究课题。通过研究人工神经网络中的丢失函数的几何特征和可视化方法，可以提高其优化行为、泛化能力和整体性能。
Apr, 2024
本文考虑在神经科学和机器学习之间建立联系，提出脑部通过优化各式各样的代价函数来实现数据高效学习和定向行为，其中包括关注、递归等结构体系和各种形式的短时和长时记忆存储，作者提出了未来神经科学试图改进和检验这些假设的方向。
Jun, 2016
通过自然进化形成的人脑复杂而独特的神经网络拓扑结构使其能够同时执行多个认知功能，本文通过引入模块化结构和全局互连性来进化脉冲神经网络的架构，同时提出一种高性能、高效能、低能耗的多目标进化算法，通过对静态数据集和神经形态数据集的广泛实验证明了所提出模型的能效提升和稳定优异的性能，并初步探索了人脑生物神经网络的进化机制。
Sep, 2023
研究了神经科学的机制对 AI 算法的发展具有重要价值，人工神经网络应该借鉴大脑神经元的学习方式，建立个性化的错误空间以预测更加准确的类别和特征，取得更好的迁移性能。
Jun, 2023
本文探讨了如何利用深度学习来研究神经健康以及在算法模型中解释神经分析的困难。其重要贡献在于调查死亡神经元对人工神经网络性能的影响，以评估这些发现在生物领域的潜在应用，可能对神经系统疾病的治疗有重要影响。
本文回顾了生物塑料神经网络及其进化的人造模型的主要方法和成果，并提出了相关的机会和发展。
Mar, 2017
本文提出将神经网络的神经元进行参数优化，以获得能够执行复杂计算的不同类型的神经元，并展示了如何通过演化神经元参数来解决各种强化学习任务。研究结果表明，神经元的多样性有助于提高神经网络的计算能力。