本研究提出了一种新颖的时间转换模块，有效解决了脉冲神经网络在处理时间特征与低能耗之间的矛盾，显著提高了效率和准确性。

本研究提出了一种自注意时空校准（SASTC）方法，旨在提高脉冲神经网络（SNN）的准确性。该方法通过自注意机制实现了人工神经网络（ANN）与SNN之间的语义对齐，显著提升了SNN在CIFAR-10和CIFAR-100数据集上的表现，推动了SNN的应用潜力。

本研究探讨了生成对抗网络（GAN）在医学影像中的应用，提出多种方法生成高质量的组织学图像，以提高癌症诊断和肿瘤检测的性能。研究表明，GAN和其他深度学习技术能够有效解决数据不平衡问题，增强模型的鲁棒性和准确性。

该研究提出了一种新型硬件架构，支持脉冲神经网络（SNN）的训练与应用，显著提高了能效和准确性。通过联合训练人工神经网络与SNN，优化了模型性能，尤其在CIFAR100任务中表现优异。此外，研究还探讨了SNN在语义分割中的应用，显示出其在稳健性和节能方面的优势。

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。

通过引入修剪优化进行基于输入感知的动态膜晶体突触网络 (PRIME)，我们克服了机器学习中的根本挑战，实现了优化系统拓扑结构、降低延迟、提高能效并达到与软件基准相媲美的分类准确性。

本文介绍了一种将深度神经网络转换为脉冲神经网络的通用方法，并探讨了在神经形态硬件上部署后的性能提升。研究表明，采用新技术后，功耗降低27倍，能耗降低5倍。通过优化多芯片网络和正则化方法，确保在降低功耗的同时保持高准确性，为高效机器学习应用提供了新思路。

本文提出了一种新的人工神经网络（ANN）转脉冲神经网络（SNN）框架，结合细粒度正则化和时空反向传播（STBP）训练方法，实现低延迟、低能耗和高准确性。该框架在多个数据集上表现优异，推动了类脑计算的发展。

本文探讨了脉冲神经网络（SNN）在基于事件的目标检测中的应用，展示了其在处理稀疏数据时的优势。SNN在Gen1基准数据集上取得了47.7%的平均精度，显著超越传统人工神经网络（ANN）。该模型结构简洁，计算成本低，适用于高速平台如车辆和无人机。

本文介绍了一种新的框架，通过提取和聚类高度激活CNN神经元的输入表征模式来解释多元时间序列数据，并生成可解释的时间序列特征表示。实验证明该框架在MTS分类中具有明显优势。

通过分析多阈值模型、简单尖峰模型和量化人工神经网络之间的关系，提出了一种新颖的LM-HT模型，可以动态调节全局输入电流和膜电位漏电。该模型可以与传统的ANN-SNN转化框架集成，提高低时间延迟下经过转换的SNN的性能。实验证明，LM-HT模型在各类数据集上优于之前的最先进工作，达到了与量化ANNs相当的性能水平。

Spikformer是一种结合了自注意力和脉冲神经网络的SNN设计架构，使用脉冲自注意力模块混合稀疏视觉特征，并通过线性变换加速。实验结果显示，具有线性变换的Spikformer在图像分类方面具有更高的准确率和更快的速度。

SpikingJelly是一个全套工具包，用于构建深度SNN并将其部署到神经形态芯片，具有可扩展性和灵活性，加快了深度SNN的训练速度，为合成高能效的基于SNN的机器智能系统铺平了道路。