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

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

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

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

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

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

神经形态计算有望比传统的冯・诺依曼计算模式在能效上提升数个数量级。其目标是通过学习和模拟大脑功能来开发自适应、容错、低占用、快速、低能耗的智能系统，可以通过在材料、器件、电路、架构和算法等不同抽象层面上进行创新来实现。随着复杂视觉任务的能耗因大型数据集而呈指数增长，并且资源受限的边缘设备变得越来越普遍，基于脉冲的神经形态计算方法可以成为在当前主导视觉领域的深度卷积神经网络的可行替代方案。在本书章节中，我们介绍了神经形态计算，概述了设计堆栈的几个代表性示例（器件、电路和算法），并总结了一些令人兴奋的应用和未来的研究方向，这些方向在近期的计算机视觉中似乎很有前景。

Oct, 2023

本篇论文提出了一种全新的神经形态计算无线物联网系统设计，通过整合基于脉冲的传感、处理和通信，每个感测设备都搭载了神经形态传感器、一个脉冲神经网络和多天线脉冲无线电发射器，传输共享衰落信道到具有多天线脉冲无线电接收器和脉冲神经网络的接收器。该系统在多个信道实现中联合训练了导引、编码神经网络、解码神经网络和超级网络，相较于传统的数字帧处理解决方案和非自适应训练方法，大大提高了精度和能耗的指标。

Jun, 2022

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