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。

杰金斯项目研究如何将猴子大脑中的神经活动解码为机器人运动，并反向生成合成神经数据。该项目通过建模真实神经数据，推动脑机接口的发展，促进脑控机器人和假肢的进步，并提供开放源代码工具以增强研究的可重复性。

本研究提出了一种分层振荡器模型，以解决对复杂音乐节奏模式的感知不足。实验结果表明，该模型能够有效模拟人类的节奏行为，其神经活动与人脑的β波相似，显示出生物学上的合理性及潜在影响。

本研究通过神经活动解码人类言语，旨在帮助瘫痪患者恢复沟通。采用多模型集成方法显著提高解码准确率，并优化递归神经网络的训练过程，展示了该领域的持续进展。

深度语言模型（DLMs）通过分层连续数值向量表示单词和上下文，模拟大脑中语言理解的时间动态性。研究发现DLMs的层深与层能预测人脑之间存在强相关。通过电皮层图谱（ECoG）数据记录参与者在听取叙述时的神经活动，发现DLM的信息逐层累积上下文与高级语言区域的神经活动时机形成镜像关系。

该研究旨在通过深度学习方法解码听到的言语，促进脑-机接口技术发展，并提供对言语知觉认知过程的新视角。研究揭示了解码言语知觉期间神经活动的潜力，并持乐观态度对拓展和改进这项工作。

本研究提出了一种基于非线性神经网络的方法，能够有效捕捉多视角数据中的复杂非线性关系。实验证明该方法在多个数据集上优于其他方法，为理解神经活动和动物位置提供清晰解释。

使用多模态深度神经网络预测人脑多模态整合位置，发现多个整合多模态信息的神经位点。CLIP风格的训练最适合预测这些位点的神经活动。

谷歌DeepMind团队建立了虚拟啮齿动物模型，通过人工神经网络预测神经活动，发现逆动力学模型的AI神经网络更好地预测神经活动，可用于模拟神经对不同自然运动的控制，有助于对动物行为的神经控制建模。

深度语言模型（DLMs）通过分层连续数值向量表示单词和上下文，模拟大脑中语言理解的时间动态性。研究发现DLM的层深与层能预测人脑之间存在强相关。通过电皮层图谱数据记录参与者的神经活动，发现DLM的信息逐层累积上下文与高级语言区域的神经活动时机形成镜像关系。