本文提出了一种计算理论，通过使用混合高斯分布模拟场所细胞的活动，并通过连续时间马尔科夫链的转移概率矩阵。通过学习环境与奖励的关联来提高老鼠行为的灵活性，实验结果表明，相较于深度 Q 网络处理的神经启发式强化学习算法，该理论可以显著提高老鼠学习效率和行为灵活性。

Apr, 2022

在这项工作中，通过使用基于循环神经网络的强化学习模型，我们在任务优化范式下发现了自然出现的回放，它模拟了海马体和前额叶皮质的互联以及感觉皮质输入，而回放在任务表现上能很好地匹配动物实验数据，同时也成功地再现了局部和非局部回放，这与人类实验数据相吻合，这为我们理解回放背后的机制提供了一种新途径。

Feb, 2024

该研究使用流形学习方法 UMAP 和自编码器 (AE) 分析编码大鼠实验迷宫中欧几里德或基于图的位置的海马体细胞群的神经活动，结果表明 AE 反映了真实的几何结构，支持使用 AE 架构解密大脑中的空间编码几何结构。

Nov, 2022

本文介绍了受生物启发的海马记忆模型与后部顶叶皮质模型相连的基于脉冲的机器人导航和环境伪地图系统，使用脉冲神经网络在 SpiNNaker 硬件平台上实现，并在实验中演示了其正确操作并能够避开障碍物并映射该环境。这是一个动态学习的环境伪映射系统的首次实施。

May, 2023

该研究使用神经网络学习 32 种动物的特征向量，并基于继承表示原理构建了一个 “动物空间” 的认知地图，该地图能够使用插值技术准确地表示完全新的或不完整的输入，并在不同的认知地图级别中呈现出不同的特征。

Oct, 2022

通过训练循环神经网络在 2D 区域中进行导航任务的方式，我们发现神经网络中出现了类似于网格细胞、边界细胞和其他空间相关细胞的响应模式，这些表现形式与实验观察到的现象相吻合，表明在神经回路中，类似于网格细胞和边界细胞等细胞对于有效表示空间是自然的解决方案。

Mar, 2018

使用神经网络学习多尺度接班人表达，进而构建认知地图和神经网络接班人表达的结构化知识表示形式，实现了在监督学习、强化学习和非空间任务中精确学习并逼真模拟了海马 - 内部子网所观察到的神经元放电模式，为克服深度学习在人工通用智能方面的一些缺陷提供了一种有前途的途径。

Feb, 2022

通过使用基于像素观察学习到的生成模型，将未访问过的路径纳入规划算法，可以帮助实现动物类的巡航行为，并且可以更准确地预测其新路径。

Aug, 2022

介绍了一种层次感知模型，结合认知地图、空间感知和位置运动，通过基于像素的观察推断出环境结构，并能在迷你格环境中进行高效探索和目标导向搜索。

Sep, 2023

本文提出了一种将视觉场所识别模型与动力学神经网络相结合的新模型，利用两种分类的神经模型 FlyNet 和 CANN 实现了高性能和紧凑性，相较于 SeqSLAM、Multi-Process Fusion 和 LoST-X 方法，该模型在两个真实世界数据集上表现优异，可以在日夜转换下获得 87％的 AUC 结果，速度分别比较三种算法快 6.5 倍，310 倍和 1.5 倍。

Oct, 2019