本研究解决了新兴计算范式中数据编码的关键问题，特别是在随机计算和超维计算中的应用。通过低差异序列编码策略，提高了系统的准确性和效率，降低了硬件复杂性，促进了人工智能的高效实施。

本文提出了一种结合超维计算与概念空间理论的方法，以填补类比推理的研究空白。研究表明，该方法在基于分类和属性的类比推理中展现出潜在的语义理解能力。

生物信息学中的关键词为算法、深度学习、超维计算、组学数据。超维计算在生物信息学中具有潜力，能够处理多模态和结构化数据，对组学数据搜索、生物信号分析和健康应用有巨大潜力。

HyperSeg是一种基于超维计算的无监督对话主题分割方法，通过生成丰富的词元表示，在话题分割和摘要任务中取得了显著的性能提升。

本文介绍了一种将脉冲神经网络与超维计算相结合的创新控制任务方法HyperSNN，通过整数加法替代浮点乘法，降低能源消耗，提高鲁棒性和准确性。在AI Gym基准测试中，HyperSNN的控制精度与传统机器学习方法相当，但能量消耗仅为1.36%到9.96%。此外，HyperSNN适用于交互式、移动和可穿戴设备，具有更强的鲁棒性，促进了能效和鲁棒系统设计的发展。