- 基于脉冲神经网络的嵌入式事件驱动目标检测
利用 SPLEAT 加速器的嵌入式神经形态测试台成功地在可嵌入设备上训练、评估、量化和部署了脉冲神经网络，通过加载最新的神经网络解决方案，估计了在专门设计的低功耗脉冲神经网络硬件上部署网络所带来的性能损失，并在神经形态硬件上实现了真实世界的 - 神经形态模拟：人工智能代理的高效学习路径
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 - 分布式表示在神经形态硬件上实现鲁棒多时间尺度计算
使用高维随机向量作为最小表示单元的矢量符号结构（VSAs）嵌入鲁棒的多时间尺度动力学到基于吸引子的 RSNNs，通过叠加对称的自联想权重矩阵和非对称的状态转换项来嵌入有限状态机进入 RSNNs 动力学，通过模拟高度非理想的权重、实验性的闭环 - 自主机器人的持续学习：基于原型的方法
未来的自主智能机器人面临着从非重复稀疏数据流中学习、检测新颖性并具备无监督学习能力的挑战。本文通过提出一种名为 Continually Learning Prototypes (CLP) 的基于原型的方法，解决了这一挑战。CLP 在 FS- - 面向脉冲神经网络的前向直接反馈对在线梯度估计的应用
在寻找与当前最先进的神经网络训练算法相比更节能的替代方法方面，有一种对脉冲神经网络的兴趣，因为它们可以在神经形态硬件平台上高效模拟能量。然而，这些平台在训练算法设计方面存在限制，最重要的是不能实现反向传播。本文提出了一种新颖的神经形态算法 - 实时面部表情识别：神经形态硬件对边缘人工智能加速器的比较
本研究聚焦于实时人脸表情识别（FER）系统作为社会机器人等各种现实世界应用的重要组成部分。我们调查了两种用于边缘部署 FER 机器学习（ML）模型的硬件选择：神经形态硬件和边缘 AI 加速器。我们的研究包括详尽的实验，对比分析了 Intel - 完全脉冲行动者网络带有层内连接的强化学习
借鉴昆虫中的非脉冲神经元，我们提出了一种完全脉冲的演员网络 (ILC-SAN)，其中利用了神经形态硬件、脉冲神经网络和深度强化学习，旨在实现高效的人工智能控制任务。
- 在脉冲神经网络中学习长序列
通过与时空模型的交叉研究，本文探索了脉冲神经网络在长范围序列建模方面的潜力，并证明其在各种任务和图像分类方面均优于当前最先进的神经网络模型，为在神经形态学硬件上实现高效能耗的长范围序列建模奠定了基础。
- AAAI高效内存可逆脉冲神经网络
我们提出可逆脉冲神经网络以降低训练过程中中间激活和膜电位的内存成本，通过实验证明我们的可逆 SNN 网络在网络深度上不增加每张图片的内存成本，并比现有模型在准确性和消耗的 GPU 内存方面表现更好。
- 生物启发计算与深度学习的相遇：从人工神经网络到低延迟、准确、高能效的脉冲神经网络
通过修改 SNN 整合 - 发射神经元模型和在训练 ANN 过程中使用细粒度 L1 正则化和替代梯度等方法，我们提出了一种新的 ANN 转 SNN 框架，可以以极低的时间步和高级稀疏性实现无损 SNN，低延迟，低计算能耗和高测试准确性（例如 - 神经形态硬件上的超低功耗图像分类
基于时间编码的 ANN 到 SNN 转换方法 Quartz 在神经形态硬件上实现了高分类准确性，通过时间编码在功耗、吞吐量和延迟方面具有优势。
- S3TC：使用无监督 STDP 基于学习的脉冲分离空时卷积进行动作识别
使用无监督学习的脉冲分离空间和时间卷积（S3TCs）方法成功提取视频的时空信息，并超越脉冲三维卷积，在视频分析方面减少参数需求。
- 基于自上而下调节的 WTA 网络的贝叶斯信息集成
本文研究了 Winner Take All（WTA）回路在整合分布于不同 WTA 网络中的信息以及通过自上而下的过程改进 WTA 网络推理和学习性能方面的适用性，并确认其可根据关键的神经形态学原理实现低延迟和高能效的神经形态硬件。
- 配对竞争神经元：改进突触时序依赖规则（STDP）监督本地学习在脉冲神经网络中的应用
通过将监督性 Spike Timing-Dependent Plasticity（STDP）与自监督 STDP 相结合，并引入 Paired Competing Neurons（PCN）训练架构，我们提出了一种能在神经形态硬件上进行分类任务 - 记忆电阻池学会学习
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。
- 奖励调节 STDP 的突触可塑性神经元脉冲伪学习
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 - 突触运动适应：三要素学习规则在尖峰神经网络中用于自适应机器人控制
该论文介绍了一种名为神经元适应算法的新方法，其通过利用神经科学中衍生的突触可塑性规则和三因素学习，在四足机器人中实现了实时的在线适应。
- 基于神经形态学的自主无人机飞行视觉和控制
通过第一次完全使用神经形态学视觉控制系统来自由控制飞行的实验，研究使用事件处理相机数据和脉冲神经网络实现无人驾驶和智能飞行机器人等基础任务的关键技术。
- 通过辅助累积路径训练完整的脉冲神经网络
本文提出了一种新颖的双流训练方法，附加可拆卸的辅助累加途径以补偿在全脉冲传播的前向和后向期间的信息损失，并促进全脉冲残余网络的训练，同时在测试阶段，该途径可被移除，这不仅保持低能耗，还使模型易于部署，通过 ImageNet、DVS Gest - 神经形态硬件上机器学习工作量的高效部署
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 Com