本文提出了一种神经形态混合学习模型，该模型实现了元学习局部可塑性和多尺度协同学习的降低维度的脉冲神经网络。在多个任务中展示了该模型的性能，包括在神经形态视觉传感器中的少样本学习、连续学习和容错学习。该模型表现出比单一学习方法显著更高的性能，并展示了在嵌入式应用方面的应用优势。

Jun, 2020

本文提供了一种将预先训练的深度神经网络 (DNNs) 转换成脉冲神经网络 (SNNs) 的通用指南，并介绍了一些在神经形态硬件上部署转换后的 SNNs 的技术，可显著改进其延迟，功耗和能耗。实验结果表明，与 Intel Neural Compute Stick 2 相比，使用我们的 SNN 改进技术， Intel 的神经形态处理器 Loihi 在测试的图像分类任务中功耗降低了最多 27 倍，能耗降低了最多 5 倍。

Oct, 2022

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

本文综述深度学习、电晕电阻存储器（Memristors）和尖峰神经网络等人工智能领域的新技术。文章重点讨论了依赖非冯・诺依曼体系结构的计算和定制学习和推理算法的必要性，并展望了未来神经形态的计算系统。

Apr, 2020

基于混合信号神经形态硬件实现的模型基于强化学习（MBRL）利用脉冲神经网络（SNNs）的硬件实现方法，通过在线学习（“清醒” 阶段）和离线学习（“梦境” 阶段）的交替，兼具混合信号神经形态芯片的能耗优势和高样本效率，通过由真实和模拟经验组成的代理网络和生成模拟经验的学习世界模型网络两个互补网络的模型验证，成功训练硬件实现来玩 Atari 游戏 Pong，相比基础线索的代理网络学习，加入梦境大大减少了所需真实游戏经验的数量，并且这些结果为能耗高效的神经形态学习系统在真实世界的应用和用例中的快速学习铺平了道路。

May, 2024

利用深度学习解决内存性能瓶颈问题，采用神经网络进行内存预取，取得更高的准确率和召回率。

Mar, 2018

提出了一个受海马体和前额叶皮质启发的生物学上可行的元学习模型，其使用尖峰神经网络和基于奖励的学习系统来实现在低数据条件下的快速学习并避免了灾难性遗忘，并且可以轻松地应用于脉冲神经形态学设备和在 few-shot 分类任务中展示了其与现有技术的竞争力。

Jun, 2023

利用学习到学习框架，本文成功识别出膜电位的行为特征和最优超参数，这些特征与以前的研究相吻合，这表明 memristive reservoirs 可以模拟尖峰神经元的膜电位行为，并且可以作为尖峰电流和连续过程之间的接口。

Jun, 2023

通过建立一个稳定性与可塑性均衡、具有多个学习模块的学习系统，我们提出了一种通用方法，可以适度减弱旧记忆在参数分布中的影响，以提高学习可塑性，并通过协调多学习者架构确保解决方案的兼容性。经过大量的理论和实证验证，我们的方法不仅明显提高了持续学习的性能，尤其是在任务增量设置中超过了突触正则化方法，还可能推进神经适应机制的理解，成为推动人工智能和生物智能共同进步的新范例。

Aug, 2023

基于晶体管的自适应非线性电子网络的非线性学习超材料能够在不需计算机的情况下实现线性系统无法实现的任务，具有快速、低功耗计算潜力，适用于边缘系统如传感器、机器人控制器和医疗设备等，并可以进行大规模制造和研究新兴学习方法。

Nov, 2023