本研究提出了一种结合亚图提取与生成模型的框架，旨在弥合大脑连接组的复杂性与紧凑基因编码之间的差距，提供可解释的低维神经电路表示，为理解大脑结构和设计生物启发的人工神经网络提供新工具。

该研究针对深度学习模型的黑箱特性，尤其是在医疗图像分析等关键领域中的局限性，提出了深度可解释人工神经网络（DxANN）。该架构通过将可解释性嵌入到训练过程中，而非事后应用外部解释方法，能够在前向传播中生成每个样本和特征的解释，显著增强了模型的透明度和可信度。

本研究探讨了人工神经网络在学习和虚构能力方面的不足，特别是在储层计算机中的虚构现象。分析未训练吸引子在重构失败时的作用，认为它们是学习系统的固有特征，可能影响人工智能的信息生成与失真。

本研究提出了一种基于人工智能的热界面材料涂覆路径规划方法，利用人工神经网络生成高效的涂覆路径，无需标签，适用于自动化制造设备，具备实时预测能力和广泛应用潜力。

本研究提出了一种新颖的生物储Reservoir计算（BRC）范式，利用培养的生物神经元池进行模式识别。通过多电极阵列实时记录神经活动，生成非线性映射，提升了模式识别的效率和简便性。实验结果表明，生物神经网络在执行传统人工神经网络任务方面具有可行性。

本研究提出了一种新的知识蒸馏方法——头尾关注的KL散度（HTA-KL），旨在缩小脉冲神经网络（SNN）与人工神经网络（ANN）之间的性能差距。该方法通过动态区分高低概率区域并分配适应性权重，提升知识转移的平衡性，最终在多个数据集上表现优于现有方法。

本文解决了地面望远镜因大气湍流导致图像失真的问题，提出了一种创新的数据驱动方法，利用机器学习技术从单个波前传感器图像中估计Fried参数。研究表明，该方法在不同条件下具备高精度和实时控制能力，为自适应光学系统优化提供了重要的控制参数。

本文提出了一种新方法，通过市场导向的流量分配系统和人工神经网络优化抛物面槽集热器的热平衡，减少计算需求，并通过拍卖机制平衡环路温度，提高热功率输出，展示了在大型太阳能热能工厂中的可扩展性和实用性。

本研究提出了一种改进的Hebbian学习网络，通过权重归一化机制解决了人工神经网络在离散外部条件下的脆弱性。实验表明，该网络在复杂机器人上实现了零-shot适应行走，能够有效应对未见条件。

本研究解决了传统人工神经网络在与人脑区域对齐方面的困难，提出了一种名为脑样听觉网络（BAN）的新模型，该模型结合了四个神经解剖映射区域及递归连接，并引入了一种新的评估标准——脑样听觉分数（BAS）。研究结果表明，BAN在音乐流派分类任务上表现出色，同时其BAS得分高，首次展现了与人脑听觉识别通路的相似性。

本研究探讨了脉冲神经网络（SNN）与人工神经网络（ANN）转换中的性能损失问题。引入两相概率脉冲神经元（TPP），研究表明随机脉冲重排列能够提升SNN性能，实验证明其在多个数据集上表现优异。

本研究构建了苍蝇嗅觉电路模型，解决了人工神经网络在持续学习中的稳定性与可塑性矛盾，显著提升了记忆稳定性和学习可塑性，具有重要应用前景。

本研究提出了一种超小型人工神经网络模型，解决了压缩感知在稀疏重建中的效率问题。该模型无需训练，效率提升可达100至1000倍，为AI时代的压缩感知重建奠定基础。

本研究探讨了人工神经网络（NNs）中数字表示的类型及其抽象可变性，解决了数字变量在学习过程中如何变化的问题。通过对基于序列的神经系统进行训练，我们发现这些模型的确能够从任务目标中发展出可互换的符号样数字变量，而不同的任务和模型架构显著影响这些表示的形成及其与任务表现的相关性。最终，我们的成果表明，神经网络能够近似可解释的数字认知符号程序，但具体的程序形式和近似程度会因多种因素而异。

本研究提出了一种新型平面动物生物神经网络架构，解决了人工神经网络在图像分类中的预测准确性问题。实验结果表明，该方法在CIFAR-10和CIFAR-100数据集上优于基线模型，展示了生物启发架构的潜力。

本研究分析深度神经网络的神经元激活模式，提出概率框架，揭示神经元扩展规律。发现激活神经元数量与数据集大小之间存在数学关系，为理解网络的可扩展性和泛化能力提供新视角。