本文探讨了脉冲神经网络（SNN）及其优化方法，包括进化算法和多目标适应函数。这些方法有效缩小了网络体积，提升了抗故障能力，并在边缘人工智能硬件上实现了高性能。通过模块化结构和全局互连性，提出的多目标进化算法在多个数据集上表现出色，推动了神经形态计算的发展。

本文介绍了一种基于生物启发的脉冲神经网络（SNN）模型，该模型结合突触可塑性和动态阈值实现监督学习，表现出良好性能。研究探讨了多种学习规则及其在图像、音频等领域的应用，强调生物基础机制在提升深度学习模型性能中的重要性。新模型在处理复杂时空任务时展现出优越性，推动了神经形态计算的发展。

本研究提出了神经形态自旋电子学的新方法，展现了利用电子自旋特性实现高效计算系统的潜力。

本文介绍了神经形态计算的多种方法和模型，包括事件驱动随机BP规则、脉冲神经网络的自适应剪枝以及结合边缘计算的混合模型。这些方法在学习效率、分类准确性和能耗方面表现优异，适用于动态视觉传感器和边缘设备，推动低功耗智能系统的发展。

本文探讨了生物启发的脉冲神经元模型在神经形态计算中的应用，提出了支持可编程动态范围的算法，并展示了其在计算机视觉领域的有效性。研究表明，储备计算网络能够提高信息处理速度，降低能耗，并在神经形态硬件上实现更高的分类准确率和鲁棒性。

本文提出了一种通过人工神经网络（ANN）转化为脉冲神经网络（SNN）的算法，旨在增强SNN的鲁棒性。该方法在微调阶段优化发射阈值和突触权重，提高了SNN对黑盒攻击的抵抗力。研究表明，SNN的鲁棒性与训练机制密切相关，并提出了有效的对抗性攻击框架。通过新的训练方法，SNN在对抗攻击下的性能显著提升，为神经形态计算提供了新的视角。

本文探讨了神经形态计算在时空任务中的优势，介绍了一种高效的训练算法，能够训练脉冲神经网络（SNN）学习复杂模式。研究表明，调整时间参数可提高网络在噪声环境中的表现，并展示了与硬件结合的潜力。此外，提出了一种新型无线物联网系统设计，整合脉冲传感、处理和通信，显著提升了精度和能效。

本文探讨了通过稀疏化技术优化神经网络计算效率的方法，提出了利用稀疏活动和连接增强分类能力的模型，并在多个数据集上验证了其性能。研究表明，稀疏化可以在不影响功能的情况下提高运行效率，适用于神经形态计算设备。

我们的研究引入了一种新型的双存储器 RC 系统，通过忆阻器实现编码和长期记忆单元，处理时间数据集的能力很强。验证结果显示，该系统在数字识别和时间序列预测任务中表现出色。这项研究为神经形态计算的进一步创新奠定了基础。

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。

该论文介绍了 QUBO 模型在优化领域中的基本特征和重要性，涉及 Ising 问题、量子退火、神经形态计算等专业术语，详细阐述了其在不同应用中的潜力和灵活性。