神经模拟器理论
本文提出了如何采用神经网络实现 engrams 记忆支持结构。采用自动编码器和潜藏神经空间实现压缩存储和信息检索，进而实现神经空间中的信息预测和基于概念神经元的稀疏记忆实现。同时列举了跨学科的研究挑战和问题。
Mar, 2023
在航空航天工程系统的高效设计探索中，使用嵌入仿真器的神经网络，并充分利用多样化数据源对多个模型实现进行训练，以评估由于训练样本不足而引起的认知建模不确定性，并在目标导向的自适应学习中提供关键信息。然而，由于集成模型的训练成本往往变得禁止并带来计算上的挑战，所以本研究提出使用快速神经网络范例的新型嵌入仿真器的神经网络，通过应用线性回归技术仅调整最后一层的连接权重，以在几乎即时训练的情况下保持预测准确性。该方法在多个分析实例和通用高超声速飞行器的航空参数研究中得到了验证。
Sep, 2023
研究人员提出要加快人工智能领域的发展，必须在神经人工智能的基础研究上投资，其中核心是实体图灵测试，要求人工智能的动物模型实现与其动物同类水平的感知运动交互，这将提供下一代人工智能的发展路线图。
Oct, 2022
使用神经生成模型构建 COGnitive Neural GENerative 系统，以优化变分自由能函数，并探讨其在认知科学中的应用。
Oct, 2023
该综述旨在通过研究神经科学和认知心理学的方法，为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展，但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中，以克服数据驱动的限制，并以更加接近人类智能的方式支持决策。本工作是一项纵向综述，试图广泛探索大脑功能的范围，包括从低层生物神经元、尖峰神经网络和神经元集合到更高层的概念，如脑解剖学、向量符号体系结构、认知和分类模型以及认知体系结构。希望这些概念能为人工通用智能的解决方案提供启示。
Jan, 2024
该论文介绍了一种基于符号序列及其解释的机器学习框架 —— 解释性学习，提出了该领域的学习方法，并引入了一个演示环境（Odeen），在其中比较了基于解释性学习与传统机器学习范式的方法（如 Transformer）在发现新现象的解释方面的性能表现，发现基于解释性学习的 CRN 优于传统的方法。
Jan, 2022