neuromorphic

微型忆阻器芯片大幅减少大脑建模时间至10毫秒以下，实现更快速的神经模拟。

一种新的类脑硬件设计借鉴神经形态计算原理，使AI系统能够更快、更节能地进行异常检测。

开发了一种完全生物相容的、使用季铵化壳聚糖的多终端神经形态生物器件，工作在超低电压下，并模拟视觉神经系统处理。

本文介绍了一种形态可调的菌丝体芯片，将其作为物理储层计算的基底，利用真菌网络的适应性生长。

一种受大脑启发的人工智能架构有望实现更快计算，同时功耗大幅降低，可能推动节能型AI硬件的发展。

研究人员开发出一种类脑光晶体管，能够感知和存储数据，有望降低AI能耗。

Otters++ 是一种新型光学尖峰Transformer，利用首次脉冲时间编码和物理硬件衰减实现高能效推理，在GLUE上达到84.17%，同时相比之前的尖峰Transformer基线保持明显的能效优势。

Jeff Bezos 已向 Flourish 投资，这是一家神经 AI 初创公司，估值达 25 亿美元，已获得 5 亿美元融资。该公司由前 Amazon 高管 Rob Williams 和神经科学家 Thomas Reardon 共同创立。公司致力于构建名为 Cortex AI 的脑启发式 AI 系统，该系统可在 50 瓦或更低的功耗下运行，并具备持续学习能力，旨在解决当前大语言模型（LLM）的关键局限性。

XOResNet 引入了 OR-ADD 捷径连接和 XOR 元残差，以解决深度脉冲神经网络中的脉冲冗余和信息丢失问题，在 Fashion-MNIST、CIFAR-10、CIFAR-100 和 miniImageNet 上取得了最先进的结果。

介绍了一种名为 Eggroll 的低秩进化策略，用于脉冲神经网络的无梯度训练，在 N-MNIST 上减少内存和时间开销，同时达到有竞争力的准确率。

一个业余项目展示了一种赫布架构AI模型，该模型避免使用反向传播和梯度，在CIFAR-10上训练50个周期，展现出涌现行为，如准确率下降后跳升以及在针对性损伤后的恢复。

本文将均衡传播扩展到斜梯度系统，并展示了深度能量模型与哈密顿神经网络之间的等价性，重点关注扩散耦合的Fitzhugh-Nagumo神经元。它还推导了此类网络中用于推理的逐层哈密顿递归关系。

本文提出一种即插即用框架，通过LIF神经元的种群计算和轻量级位移缩放，实现Transformer非线性（如Softmax、SiLU、归一化）的脉冲友好近似，在无需微调的LLMs上准确率下降不到1%。

本文提出了一种针对脉冲神经网络的联邦学习框架，解决了边缘设备上异构时间分辨率的挑战，能够在处理时间不匹配的同时实现无需共享原始数据的协作训练。