本研究提出了一种时滞抑制泄漏积分发火（ILIF）神经元模型，旨在解决尖峰神经网络训练中的“伽马困境”。该模型通过引入抑制单元，有效抑制过度激活，提升能源效率，降低发火率，从而稳定训练并提高准确性。

本研究提出了一种基于钙的Hebbian学习规则，解决了尖峰神经网络模型对尖峰时序和平均发火率关注不足的问题。该模型在MNIST数字识别任务中表现出更高的适应性和效率，能够根据尖峰活动调节学习率，展示了尖峰时序与发火率在塑造网络连通性中的互补作用。

本研究探讨了尖峰神经网络中神经元与胶质细胞的比例，发现二比一的比例显著提高了学习速率。

本研究提出SpikeSCR框架及基于课程学习的知识蒸馏方法，解决尖峰神经网络在边缘计算中处理时间序列的高性能与低能耗平衡，实现60%的时间步和54.8%的能耗减少，同时保持先进技术性能。

本文解决了机器人应用中事件驱动视觉和尖峰神经网络数据集缺乏多样性的问题。通过eWiz库和eCARLA-scenes合成数据集，提供了多样化的光流预测环境数据，为自主车辆导航奠定基础。

人工智能的崛起使得生物神经元模型被用于训练后能学习特定任务的神经网络。其中一种类型的网络是依赖于生物神经元的简化模型，即尖峰神经网络（SNNs）。本文介绍了ReckON系统，一种加速器，可以对递归SNN进行训练和执行。通过在Xilinx MPSoC芯片上实现ReckON架构，并在Pynq ZU平台上使用Python框架，验证了模拟精度的保持和每秒处理3.8M事件的峰值性能。

该论文介绍了一种新技术，通过误差反向传播机制直接对尖峰信号和电位进行训练，使得深度尖峰神经网络能够更精确地捕获尖峰的静态特征。测试结果表明，该算法在MNIST和N-MNIST数据集上表现更好。

本文研究了基于神经形态计算的SNN模型，用于过滤高能物理实验中的传感器电子学数据。该模型可减少数据量并获得91%的信号效率，参数数量几乎是深度神经网络的一半。