Enhancing Computational Efficiency in Multiscale Systems Using Deep Learning of Coordinates and Flow Maps
该论文提出了一种结合坐标发现与流图学习的深度学习框架，通过构建精确的时间步进方法，在显著降低计算成本的同时实现了多尺度系统（如 Fitzhugh-Nagumo 神经元模型和 Kuramoto-Sivashinsky 方程）的高效高精度模拟。
💻 Category
cs.NE
65 篇论文
Multimodal LLM-assisted Evolutionary Search for Programmatic Control Policies
该论文提出了一种名为 MLES 的新方法，通过结合多模态大语言模型与进化搜索，利用视觉反馈驱动行为分析来自动生成透明、可验证且性能媲美传统强化学习算法的程序化控制策略。
Energy-Aware Spike Budgeting for Continual Learning in Spiking Neural Networks for Neuromorphic Vision
该论文提出了一种面向神经形态视觉的持续学习框架，通过整合经验回放、可学习神经元参数及自适应脉冲调度机制，在满足能量约束的同时有效缓解了灾难性遗忘，并在帧基与事件基数据集上分别实现了精度提升与能耗降低的双重优化。
B-DENSE: Branching For Dense Ensemble Network Supervision Efficiency
受非平衡热力学启发的扩散模型虽性能卓越但推理延迟高，而现有蒸馏技术因丢弃中间步骤导致结构信息丢失和离散化误差，为此本文提出了 B-DENSE 框架，通过多分支轨迹对齐机制，让学生模型在扩展通道中同时映射教师轨迹的所有离散中间步骤，从而在训练早期实现密集监督并显著提升生成质量。
Memory-Augmented Spiking Networks: Synergistic Integration of Complementary Mechanisms for Neuromorphic Vision
该论文通过五项模型消融研究，证明了将监督对比学习、霍普菲尔德网络与层级门控循环网络协同集成到脉冲神经网络中，能够在 N-MNIST 数据集上实现分类精度、聚类结构、能效及稀疏度的综合最优，确立了记忆增强型神经形态系统的设计原则。
Hebbian-Oscillatory Co-Learning
本文提出了 Hebbian-Oscillatory Co-Learning (HOC-L) 框架，通过利用 Kuramoto 型相位同步的宏观序参量门控 Hebbian 结构更新，将双曲稀疏几何与振荡器注意力机制统一为一种具有收敛性证明和 复杂度的生物启发式稀疏神经网络架构。
Robust Parameter and State Estimation in Multiscale Neuronal Systems Using Physics-Informed Neural Networks
本文提出了一种基于物理信息神经网络（PINN）的框架，能够仅利用部分电压观测数据，在强非线性和多尺度动力学条件下，鲁棒且准确地重建神经元模型中的隐藏状态变量并推断生物物理参数，有效克服了传统数值方法在初始猜测敏感和收敛失败方面的局限。
An accurate flatness measure to estimate the generalization performance of CNN models
本文提出了一种针对卷积神经网络（CNN）的精确且架构感知的平坦度度量方法，通过推导全局平均池化网络中交叉熵损失 Hessian 矩阵迹的闭式解，有效解决了现有方法忽略 CNN 几何结构的问题，从而能够更准确地评估和预测模型的泛化性能。
DendroNN: Dendrocentric Neural Networks for Energy-Efficient Classification of Event-Based Data
本文提出了受树突计算机制启发的 DendroNN 模型，通过无梯度的重连机制识别时空脉冲序列，并设计了基于时间轮的异步数字硬件架构，从而在事件驱动数据处理中实现了比现有神经形态硬件高 4 倍的能效。
Symbolic Discovery of Stochastic Differential Equations with Genetic Programming
该论文提出了一种基于遗传编程的随机微分方程符号发现方法，通过联合优化漂移和扩散函数，实现了在含噪动态系统中对可解释随机动力学方程的准确恢复与推广。
A Variational Latent Equilibrium for Learning in Cortex
该论文提出了一种基于能量守恒和极值作用原理的变分潜在平衡框架，通过推导实时误差动力学，将时间连续的反向传播算法转化为生物可实现的局部时空学习规则，从而为大脑的时空深度学习及物理电路实现提供了严谨的理论基础。
A White-Box SVM Framework and its Swarm-Based Optimization for Supervision of Toothed Milling Cutter through Characterization of Spindle Vibrations
本文提出了一种结合群智能优化算法的白盒支持向量机框架，通过分析主轴振动特征并利用递归特征消除进行筛选，实现了对铣刀磨损及断裂等故障的实时监测与状态评估。
Utility Theory based Cognitive Modeling in the Application of Robotics: A Survey
本文综述了基于效用理论的认知建模在机器人领域的应用，探讨了从行为基机器人到价值系统的演进、其在单/多智能体及人机交互中的作用，并提出了未来的研究方向与开放性问题。
A 1.6-fJ/Spike Subthreshold Analog Spiking Neuron in 28 nm CMOS
本文介绍了一种基于 28 nm CMOS 工艺的低功耗泄漏积分发放（LIF）神经元设计，其单次脉冲能耗仅为 1.61 fJ，并通过结合监督反向传播与代理梯度技术的量化脉冲神经网络仿真，在 MNIST 数据集上实现了 82.5% 的准确率，展示了其在嵌入式机器学习应用中实现高性能与高能效的潜力。
Reconsidering the energy efficiency of spiking neural networks
本文通过建立公平的量化基准并引入包含数据移动开销的详细能耗模型，重新评估了脉冲神经网络（SNN）的能效，揭示了其在特定低脉冲率及中等时间步长条件下相比量化人工神经网络（QNN）具有显著能效优势，并指出优化后的 SNN 有望使智能手表的电池寿命翻倍。
Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet
本文通过对比 ANFIS-FBCSP-PSO 可解释性模糊模型与 EEGNet 深度学习模型在 BCI 竞赛数据集上的表现，揭示了前者在单被试场景下精度更优而后者在跨被试泛化能力更强的特性，从而为根据可解释性或鲁棒性需求选择 MI-BCI 系统提供了实践指导。
Distributionally Robust Geometric Joint Chance-Constrained Optimization: Neurodynamic Approaches
本文提出了一种基于神经动力学的双时间尺度方法，通过三种投影方程求解分布鲁棒几何联合机会约束优化问题，该方法无需传统求解器即可概率收敛至全局最优，并成功应用于形状优化与电信问题。
OptiRoulette Optimizer: A New Stochastic Meta-Optimizer for up to 5.3x Faster Convergence
本文提出了一种名为 OptiRoulette 的随机元优化器，它通过在训练过程中动态选择更新规则，在多个图像分类基准测试中显著提升了收敛速度和最终准确率，并实现了比单一 AdamW 基线更可靠的训练目标达成率。
RECAP: Local Hebbian Prototype Learning as a Self-Organizing Readout for Reservoir Dynamics
本文提出了 RECAP 方法，这是一种结合未训练储层动力学与自组织赫布原型读出机制的生物启发式图像分类策略，通过局部突触可塑性规则实现无需反向传播的鲁棒识别，并在未见过的图像噪声下展现出优异的泛化能力。
Large Language Model-Driven Full-Component Evolution of Adaptive Large Neighborhood Search
该论文提出了一种由大语言模型驱动的闭环进化框架，能够自动重构自适应大邻域搜索（ALNS）的全部七个核心组件，在 TSPLIB 基准测试中显著提升了求解质量并揭示了反直觉的设计模式。