该研究探究了皮层学习的机制设计，发现基于离散化的标准神经元模型和突触可塑性设计下，神经元会根据打分规则达到最优表现，并提出了一种生物学上可行的机制，通过反向传播动机来优化神经元对大脑其他部分的作用，展现了该机制能够实现简单任务的学习。

本文介绍了一种名为DHTM的在线隐藏表示学习算法，用于处理不稳定、部分可观测的决策环境。该算法基于因子图形式和多组分神经元模型，能够捕捉序列数据关系并对未来观察作出累积预测。实验结果表明，DHTM算法在时序差异学习方面表现优于经典LSTM，并与更高级的类似RNN的算法相当。同时，DHTM是解决在线隐藏表示学习动态环境挑战的一种有前途的方法。

本文总结了神经元模型的优缺点和适用性，分析了网络拓扑的特性，回顾了脉冲神经网络算法和无监督学习算法，以及四类监督学习算法，并专注于国内外正在研究的类脑神经仿真芯片的综述。旨在为初入脉冲神经网络研究领域的同行提供学习概念和研究方向。