利用低秩分解将大规模射频神经网络转化为紧凑的射频神经网络，并通过在射频神经网络上构建鲁棒求解器以增强其稳健性，进一步提供了可重构改形解决方案，经实证评估验证了该方法的有效性。

Dec, 2023

通过深度学习将量子技术与实时 RF 信号分类结合，实现了低延迟在线分类和突破物理极限的下一代量子 RF 传感器。

Apr, 2024

使用深度学习技术，提出了一种用于射电数据中减轻射电频率干扰信号（RFI）的新方法，通过一种特殊的卷积神经网络，该网络可以对来自射电望远镜获得的 2D 有序时间数据中的清洁信号和 RFI 信号进行分类。作者实现的 U-Net 得到了与已有的 RFM 算法相媲美的结果。

Sep, 2016

该论文介绍了基于生物启发式的脉冲神经元的神经形态计算中，如何支持具有完全可编程动态范围的状态耦合脉冲神经元模型，并用这些模型在模拟实验中高效处理流数据的示例。其中，我们提出了一种可以计算短时傅里叶变换和光流估计的算法，并展示了使用谐振器级联的变体来复制耳蜗的新特性及其激励的有效脉冲谱图编码器的结果。

Nov, 2021

通过使用多种人工神经网络从大鼠坐骨神经的电神经图（ENG）信号中提取感觉刺激，本研究分析了四种不同类型的人工神经网络对实时分类的可行性，并通过准确率、F1 得分和预测时间的比较评估了它们的性能。结果表明，某些人工神经网络更适用于实时应用，能在低处理时间内实现大于 90％的准确率，对于病理恢复具有足够的效果。

Mar, 2024

本文提出使用循环神经网络进行磁共振指纹重建方法，比传统字典匹配法具有更高的可扩展性和更短的重建时间，能够同时测量多种组织属性的定量成像方法。

Dec, 2018

通过全光神经元、光子突触的结合实现了小规模的全光神经元系统，这种用于神经元和突触之间信息交流的新型系统比传统计算机更高效，尤其对于高带宽任务如通讯和图像处理尤为适用。

Feb, 2021

通过使用人工智能的智能信号处理方法，我们展示了人工智能在核磁共振应用中超越传统技术的新机遇。我们开发和训练了几个人工神经网络，应用在我们的新工具箱 MR-Ai 中，解决了三个 “不可能” 的问题：仅使用传统 Echo/Anti-Echo 方案中 Echo（或 Anti-Echo）调制进行象限检测；获取由任何给定方法处理的光谱中每个点信号强度的不确定性；以及定义一个无需参考的评分来定量评估核磁共振光谱质量。我们的发现突显了人工智能技术改变核磁共振处理和分析的潜力。

May, 2024

平衡 RF 神经元在循环脉冲神经网络中证明了其在各种序列学习任务中的有效性，其任务性能更高、产生的脉冲更少、所需参数更少，并且在训练过程中具有更快且更稳定的收敛速度。

Feb, 2024

本篇论文提出新的光学神经网络架构，并利用光学的独特优势实现计算速度和能源效率的显著提升，最高分别达到目前技术水平的两个和三个数量级，此外使用可编程纳米光子处理器进行实验验证。

Oct, 2016