DFC 是一个新型学习方法，它使用反馈控制器来驱动深度神经网络匹配期望的目标输出，并可用于学习中的值信用赋予。

Jun, 2021

通过神经网络方法实现闭环深度脑刺激 (DBS)。以找到最佳神经刺激策略为目标，将问题转化为控制问题。我们通过离线使用神经网络近似价值函数，结合 Pontryagin 的最大值原理和 Hamilton-Jacobi-Bellman 方程更新值函数估计，实时依据患者的神经活动调整 DBS 系统参数，从而优化治疗效果。

Nov, 2023

我们提供了一个新的可解释性定义，展示了产生神经回路响应特性的演化约束，并展示了该框架在多个脑区和物种中研究循环处理在灵长类动物腹侧视觉通路，小鼠视觉处理，啮齿动物介董皮质的异质性以及促进生物学学习的作用。

Nov, 2023

本文基于深度学习和神经科学，介绍了一种多层神经元网络模型，该模型利用简化的树突区，实现误差驱动的突触可塑性，在时间上持续地通过局部树突预测误差进行突触学习，进而解决了长期以来的突触学分配问题，并在回归和分类任务中证明模型的学习能力。

Oct, 2018

通过对多区域神经元网络模型的介绍，本研究提出了一种新的突触可塑性学习规则，通过基础树突上的突触修饰实现错误反向传递从而学习。并且在该框架中加入一种去抑制机制，使得该框架能够生成噪声和关注感和一些其它学习任务。

Dec, 2017

从机制设计的角度探究皮层学习的过程，研究表明基于离散化的标准神经元模型和突触可塑性设计下，神经元会根据打分规则达到最优表现，而这些打分规则恰当而准确地表达了神经元突触权重和 Spike 单位的期望效用和高得分结果，基于这些发现，提出了一种生物学上可行的机制，通过反向传播动机来优化神经元对大脑其他部分的作用，并展现了该机制能够实现简单任务的学习。

Jan, 2014

脑的学习机制中最引人注目的能力之一是通过结构和功能可塑性对其突触进行适应。然而，大多数用于人工神经网络的可塑性模型专注于突触而非神经元，因此优化了突触特定的 Hebbian 参数。为了克服这个限制，我们提出了一种新的可塑性模型，称为神经元为中心的 Hebbian 学习 (NcHL)，其中优化专注于神经元特定的 Hebbian 参数。和 ABCD 规则相比，NcHL 将参数数量从 5W 减少到 5N，其中 W 和 N 分别为权重和神经元的数量，通常 N 远小于 W。在两个机器人运动任务的实验证明，尽管使用的参数数量少得多（约为 97 倍），但 NcHL 与 ABCD 规则的性能相当，因此具有可扩展的可塑性。

Feb, 2024

通过引入一种模拟树突分支节段的多功能电路，本研究揭示了树突在生物感知以及神经网络构建中的重要作用，并证明可以纯由树突电路构建神经元网络。

Oct, 2023

本文提出了一种水平垂直一体化的神经处理模型，该模型包含了神经适应传输连接的水平面和由外部膜层表达参数、亚膜区和细胞质内部参数、核心参数等组成的垂直系统，旨在表明单个神经元在信号的计算中有着重要角色，并且该神经元是自我编程的装置，不是被输入决定。

Sep, 2022

论文探讨了如何设计分子系统以展现类似于自主学习的行为，提出了一种可对任意多个输入通道展现自主型 Hebb 学习的化学反应网络，并指出在构建新的化学系统和 DNA 系统中如何实现神经元动力学。

May, 2022