本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面，以解决能效问题。

Jan, 2019

通过引入一种名为 Spiketrum 的神经脉冲编码模型，该模型将时间变化的模拟信号（通常是听觉信号）转换为计算高效的时空脉冲模式，实现了稀疏有效的编码方案，通过精确可控的脉冲速率，便于在各种听觉感知任务中训练脉冲神经网络。我们进一步通过神经型耳蜗原型探究了算法与硬件的协同设计，证明我们的方法可以通过完全利用基于脉冲的计算的优势，为基于脉冲的人工智能提供系统性的解决方案。

Sep, 2023

基于时间编码的 ANN 到 SNN 转换方法 Quartz 在神经形态硬件上实现了高分类准确性，通过时间编码在功耗、吞吐量和延迟方面具有优势。

Sep, 2023

本文研究了基于神经形态计算的尖峰神经网络（SNN）模型，用于过滤在高能物理实验中使用的传感器电子学数据。我们提出了一种开发紧凑型神经形态模型的方法，该模型根据粒子的横向动量过滤传感器数据，以减少发送到下游电子设备的数据量。传入的电荷波形被转换为二进制事件流，并由 SNN 进行处理。我们提供了关于各种系统设计选择的见解 —— 从数据编码到训练算法的最佳超参数，为了获得一个精确而紧凑的用于硬件部署的 SNN。我们的结果表明，使用进化算法和优化的超参数训练的 SNN 获得了约 91% 的信号效率，并且参数数量几乎是深度神经网络的一半。

Jul, 2023

在电压成像中，我们提出了一种快速神经元分割方法，能够从噪声视频帧中检测到多个可能重叠的尖峰神经元，并实现了包括所提出的分割方法和 GPU 加速的运动校正在内的数据处理流程。通过在现有数据集和新数据集上的测试，我们展示了我们的处理流程能够从混乱的数据集中提取与人工标注良好一致的神经元轮廓，并首次展示了在单台台式电脑上实现电压成像数据的实时处理。

Mar, 2024

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

使用深度学习框架和 Allen 细胞类型数据库，对小鼠和人类的神经元进行分类，实现了解释性和推理，同时发现了神经元类型与其电生理特性之间的相关性。

Jun, 2023

本文介绍了一种基于递归神经网络（RNN）的神经元群体动态行为的建模方法，该方法经过 macaque 大脑皮层的四个数据集的测试，效果较其他模型更好，其中，RNN 的自回归偏差是实现最高水平性能的关键因素之一。此外，提出了一个新的混合架构，将 RNN 与自我关注补充在一起，从而进一步提高性能。

Apr, 2023

神经科学的进步使得研究人员能够同时测量行为动物中大量神经元的活动。我们提出了一种基于混合半非局部先验密度和点质量的贝叶斯方法，用于从荧光迹线中确定神经元的确切尖峰，以实现对神经活动的近似。与基于优化的频率方法相反，我们的方法能够自动量化与尖峰列车推断相关的不确定性。

May, 2023

本文研究了基于神经形态计算在计算机视觉领域中的可扩展性，为了实现在降低功耗的同时达到非神经形态计算的性能。我们将深度神经网络架构 U-Net 转化为脉冲神经网络架构，并采用 ISBI 2D EM Segmentation 数据集对其进行训练和优化。我们提出了一种优化多芯片网络部署的分区方法，并探讨了对定期发放率进行正则化以最小限度地减少精度损失和优化能量消耗的优势。最终在 Intel Loihi 神经形态芯片上进行的神经形态实现比传统硬件 (CPU，GPU) 在线运行时节省能源的倍数，同时在不牺牲网络的任务性能准确性的情况下实现了这些功率改进。

Jun, 2021