本文介绍了如何利用迭代更新来补偿模拟神经网络在模拟硬件中出现的异常，并展示了在 BrainScaleS 芯片上优化后的脉冲神经网络，使计算性能得到提高。同时，利用记录硬件网络活动并通过反向传播在软件上计算参数更新的方式，仅经过几十次迭代，该脉冲网络显示出了接近理想的计算性能，证明了其在解决模拟硬件固有变异等问题方面的潜力。

Mar, 2017

通过仿生神经系统的方法，我们提出了一种脑启发式的平台，用于原型设计实时事件驱动的脉冲神经网络（SNNs），该系统支持模拟动态和现实的神经处理现象，并具有低延迟的异步数字电路以及模拟电路来实现这些功能。

Oct, 2023

本论文综述了神经形态工程中的关键问题，包括信息处理、脑样计算、神经模型及其仿真，以及深度学习等。

May, 2018

本研究介绍了一种高度可配置的神经形态计算基础，其可用于模仿多种类型的神经网络。系统的核心是一块混合信号芯片，具有神经元和突触的模拟实现和动作电位的数字传输。它的固有并行性和高加速因子使得这个仿真设备比传统计算机具有更大的优势。其可配置性允许实现几乎任意的网络拓扑和使用广泛变化的神经元和突触参数。计算的噪声通过校准程序进行降低。该系统的集成开发环境使神经科学家可以在没有神经形态电路设计先验知识的情况下操作该设备。作为该系统能力的展示，我们描述了成功仿真了六种不同的神经网络，这些网络涵盖了广泛的结构和功能。

Oct, 2012

SpiNNaker2 是一种数字神经形态芯片，用于可扩展机器学习，能够深度整合神经生物系统的计算原理，包括人工神经网络、仿生脉冲神经网络和基于事件的神经网络，并旨在促进未来一代机器学习系统的基于事件和异步算法的发展。

Jan, 2024

该研究提出了一种新型硬件体系结构，可支持具有新型神经编码的 SNN，并在 FPGA 上对 VGG 神经网络模型进行了部署，从而实现了 25％的功耗和 90％的延迟改善。

Jun, 2022

本文提出了一种框架，用于在数字神经形态硬件中训练和部署高性能尖峰神经网络模型（SNNs），其中除了神经突触的突触权重外，还进行了协同优化的突触延迟。评估了在两个神经形态数字硬件平台（Intel Loihi 和 Imec Seneca）上训练的模型，并展示了从软件到硬件的过渡过程中的最小精度降低。

Apr, 2024

使用新的二进制硬件跨棒学习算法实现深度神经网络在 TrueNorth 芯片上的部署，可在以前工作的基础上实现显著提高（76％与 86％准确度）同时保持良好的性能 MNIST 手写数据集。

May, 2017

这项研究实现了首个基于神经形态学设备的语言模型，在 SpiNNaker 2 芯片上基于一个名为 EGRU 的最新事件驱动架构。该实现标志着神经形态学语言模型首次能与 LSTM 相媲美，为将任务性能提升到大型语言模型水平奠定了基础。

Dec, 2023

该研究论文介绍了 SpikingJelly 框架，它是一个全套工具包，用于预处理神经形态学数据集、构建深度 SNN、优化其参数并将其部署到神经形态芯片。通过 SpikingJelly 框架，深度 SNN 的训练速度可以加快 11 倍，且其卓越的可扩展性和灵活性使用户能够以较低成本通过多级继承和半自动代码生成加速定制模型。SpikingJelly 为合成真正高能效的基于 SNN 的机器智能系统铺平了道路，丰富了神经形态计算的生态系统。

Oct, 2023