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

通过解析神经元系统参与不同模式的信息处理，一个信息分解框架被应用以研究简单的人工神经网络在不同的学习模式下执行各种认知任务的信息处理策略。结果表明，协同作用随着神经网络学习多样任务而增加，并且在需要整合信息来源的任务中发挥关键作用。

Oct, 2022

本文介绍支持皮层网络和深度神经网络模型的仿生处理器架构的调查和优点，这些架构从串行时钟实现的多神经元系统到纯数字系统和混合模拟 / 数字系统，实现更类似生物神经系统的神经元和突触模型，并描述了需要解决的挑战。

Jun, 2015

该论文提出了一种将自然智能视为信息处理与‘bundle pushing’相结合的替代观点，并探讨了一个例子，说明 bundle pushing 如何缩短信息处理，同时建议进行神经生物学和信息理论的科学实验进一步研究。

Nov, 2022

提出 “集成信息” 概念解决了人工智能长期受制于处理数据而非处理信息的困境，将智能解释为信息处理的产物，不再需求仿生人脑来实现信息处理，探究了这种人工智能系统设计哲学的变革。

Feb, 2015

哺乳动物中枢神经系统的神经元群体通过尖峰列作为媒介进行通信，而这些神经元群体的精确编码和操作尚未被发现。本研究通过一种现代的机械模型探讨信息的表示和操作，并发现神经元群体可以通过有限凸锥的代数精确表征和操作，充当低级别编程语言的功能性操作符。当这些群体相互连接时，它们呈现简洁而强大的代数表达式，使其能够实现特化、泛化、新颖性检测、降维、逆向建模、预测和关联记忆等众多操作。此研究凸显了矩阵嵌入在认知科学和人工智能等领域推动我们理解的潜力，这些嵌入提升了概念处理和分层描述的能力。

Sep, 2023

本文介绍了神经图灵机的概念及其与外部存储器资源的耦合，通过注意力过程交互，与图灵机或冯・诺伊曼体系结构相似，但可在端到端上进行微分，从而使其能够通过梯度下降进行高效训练。初步结果表明神经图灵机能够从输入和输出示例中推断出简单算法，如复制，排序和关联回忆。

Oct, 2014

通过提取环境信息的主要特征并将相关编码刺激应用于忆阻器，我们成功地在处理非结构化环境信息方面获得了类人的能力，比如机械刺激的放大（>720%）和适应性（<50%）。这种方法还在智能机器的两个典型应用（物体抓取和自动驾驶）中展示了良好的可扩展性和泛化性能。

Sep, 2023

本文考虑在神经科学和机器学习之间建立联系，提出脑部通过优化各式各样的代价函数来实现数据高效学习和定向行为，其中包括关注、递归等结构体系和各种形式的短时和长时记忆存储，作者提出了未来神经科学试图改进和检验这些假设的方向。

Jun, 2016

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