本文旨在研究计算模型对处理脑组织中复杂连接模式的作用，我们找到了几类计算模型可以有效探索多尺度时空领域中异质性神经元相互作用和复杂网络连接带来的潜在功能性和后果。

Mar, 2022

本研究提出一个神经元和网络模型，其中神经元能够学习和记忆序列模式，网络能够实现时间序列的鲁棒学习，并在大量噪音和多样化数据的情况下，精准地识别数百个唯一的细胞活动模式。

Oct, 2015

本文介绍了一种针对 Leaky Integrate and Fire 神经元的高效训练算法，该算法能够训练 SNN 学习复杂的时空模式，并且通过与硬件结合的方式，展示了神经元和突触基于忆阻器的网络实现的原理及优点。

Apr, 2021

训练在自然图像上的稀疏编码算法能够准确预测视觉皮层神经元所激发的特征，但不确定是否可以使用生物学真实的可塑性规则来学习这些代码。我们开发了一种生物物理模型的尖峰网络，仅依靠突触局部信息就能预测自然图像上 V1 简单细胞感受野的全部多样性形状，这是首次证明，稀疏编码原则在皮层结构限制下操作时可以成功地再现这些感受野。我们进一步证明，稀疏性和去相关是允许突触局部可塑性规则优化神经表达形成的合作线性生成图像模型的关键因素。最后，我们讨论了我们的网络的几个有趣的新兴属性，以期弥合视觉皮层的理论和实验研究之间的差距。

Sep, 2011

通过改变丰富的时间参数，如时间常数和延迟，我们展示了网络在处理具有时间结构的任务时更加轻松和稳健的能力，并且在处理输入和权重中的噪声时，调整时间参数的优势将在神经形态学硬件设计中发挥作用。

Apr, 2024

本文从认知神经科学方面入手，分析了 Spiking Neural Networks 这种新型生物神经样本学习 / 数据处理模型在模型、训练算法上面的优点和缺点，其中使用了概率模型和时间反向传播算法解决了部分难点，最后在神经元数据集上进行了对比实验.

Oct, 2020

生物神经系统是计算机更快、更便宜和更能效的重要灵感源泉。神经形态学学科将大脑视为一个共同进化的系统，同时优化硬件和运行在其上的算法。本文提出了一个基于时空感受野的神经形态系统的有原则的计算模型，通过空间上的仿射高斯核和时间上的漏积分器和漏积分发放模型。我们的理论在空间和时间尺度变换上可证明是协变的，并与哺乳动物大脑的视觉处理有很多相似之处。我们将这些时空感受野作为事件驱动视觉任务中的先验知识，并展示这能够提高脉冲网络的训练效果，在事件驱动视觉中通常被认为是有问题的。本研究结合了尺度空间理论和计算神经科学的努力，寻找在神经形态系统中处理时空信号的理论基础，这对信号处理和事件驱动视觉具有直接的相关性，并且可以扩展到其他空间和时间处理任务，如记忆和控制。

May, 2024

基于 iCub 机器人指尖电容触觉传感器记录了布莱叶盲文字母数据集，以比较前馈和循环脉冲神经网络在 Intel Loihi 神经形态芯片上进行的快速和有效推理，并通过使用代理梯度的 BPTT 进行离线训练和比较，结果表明循环脉冲神经网络在基于事件的输入上比 LSTM 节能～500 倍，为只有～30mW 的总功率。

May, 2022

提出一种训练算法，将 SNN 作为无限脉冲响应（IIR）滤波器的网络，以学习 SNN 的时空模式，并构建用于合成和公共数据集的联想记忆和分类器，其准确度优于最先进的方法。

Feb, 2020

通过应用局部、始终开启的可塑性规则，我们能够在由两个群体组成的递归网络中学习复杂序列，我们的模型具有资源高效性，仅需少量神经元即可学习复杂序列，我们通过鸟鸣学习的模拟中展示了这些特点，在该模拟中，我们的网络首先学习了一个长的非马尔可夫序列，尽管存在外部干扰，它们能够稳健地复现此序列。

Feb, 2024