该文概述了脉冲神经网络及其硬件实现的现状和趋势，介绍了在算法选择和训练机制方面的工作，描述了利用硬件提高该算法特性的策略以及相关的优点和挑战。

May, 2020

本研究基于 memristive neuron 和 memristive synapse提出了一个完全基于 memristor的脉冲神经网络 (MSNN)，并采用无监督的 Spiking Time Dependent Plasticity (STDP) 学习规则。我们通过电路模拟验证了 MSNN 的学习效果，并实现了两种类型的 MSNN 结构：一种是生物学合理的记忆检索系统，另一种是用于多类别分类。

Mar, 2022

本文提出一种新颖的低延迟并行卷积神经网络(CNN)框架，该框架使用阻性随机存取存储器(RRAM)器件来并行执行卷积层内核，从而实现了比当前最先进的Memristive-CMOS混合DL加速器低两个数量级的延迟降低，同时考虑非理想性，提出一种量化感知训练的方法以及一种卡住权重的偏移方法来增加系统性能。

Jun, 2022

利用可变生物膜基memcapacitor作为reservoir，在分类和分析时间序列数据的仿真和实验中实现了98％的口语数字分类准确率和0.0012的非线性回归任务正常化均方误差。

May, 2023

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

本研究提出了一种基于海马CA3区域的生物启发式脉冲内容寻址记忆模型，具有学习、遗忘和回忆来自任何片段的正交和非正交记忆的能力，并在SpiNNaker硬件平台上使用脉冲神经网络实现了该模型，验证了其正确的功能。此工作是对生物启发式脉冲海马内容寻址记忆模型的首次硬件实施，为未来更复杂的神经形态系统的开发铺平了道路。

Oct, 2023

近期，关于储层计算的研究取得了重大突破，需要具有能够实现储层物理实现的动力学的模拟装置，以实现更快的信息处理速度、更低的能量消耗和较小的面积占用。通过电压相关动态的离子通道基础箱体，我们展示了只需一次数据编码并通过一个包含具有不同动力学特性的多个箱体的储层层的数据输入方法的可行性，并通过实验证明了这种方法的预测和分类准确率高于传统方法。

Oct, 2023

本文提出了一种名为Spiking Conformer的神经形态学脉冲卷积变压器，用于从头皮长期脑电图（EEG）记录中检测和预测癫痫发作片段，并通过融合基于脉冲的加法运算显著降低了分类计算成本，同时在使用原始EEG数据作为输入时，在癫痫检测任务中实现了94.9%的平均灵敏度率和99.3%的特异性率，在癫痫预测任务中实现了96.8%和89.5%的结果，并且与非脉冲等效模型相比，所需运算量减少了超过10倍。

Jan, 2024

我们的研究引入了一种新型的双存储器RC系统，通过基于WOx的忆阻器实现16个不同状态的编码和基于TiOx的忆阻器实现长期记忆单元，实现了处理时间数据集的能力。通过对孤立语音数字识别和Mackey-Glass时间序列预测的基准任务的验证，该系统在数字识别中达到了98.84%的准确率，在时间序列预测任务中保持了较低的规范化均方根误差（NRMSE）0.036，突出了其能力。本研究揭示了基于忆阻器的RC系统在处理复杂时间挑战方面的能力，为神经形态计算的进一步创新奠定了基础。

Mar, 2024

通过利用内部电压偏移实现各种输入状态相关性，我们引入了一种新颖的基于异质 memcapacitor 的物理蓄水池计算机，该计算机实现了高效的高维变换，显著提高了预测性能。

Apr, 2024