arXiv q-bio.NC（Neurons and Cognition）·2026-10-06 12:00· 18 天前AI 评分26

从通信到计算：神经元芯片的神经拓扑形态计算 in silico 研究

From communication to computation in neurons-on-a-chip: an in silico study of neurotopomorphic computing

AI 导读

研究提出 IC³（Integrated Characterisation of Communication-Driven Computation）框架，通过神经元动力学、功能通信与结构支撑刻画网络状态，并以电导型脉冲神经网络在 in silico 中实现九种架构，测试频率解码、时序辨别与衰减记忆。

AI 要点

团队

作者 Michael Taynnan Barros，单作者投稿至期刊的 arXiv 预印本。

主要结果

前馈电路解码最好；Sequential Chain 与 Microchannel Diode 的 IC³ 最低、仅招募三分之一可达神经元，却在两项分类任务上得分最高；IC³ 越高分类得分越低。

解决什么问题

活体神经元网络哪种架构支持哪种计算尚不清楚，芯片神经元可借微通道引导轴突生长来设定网络架构，把该问题变成设计问题。

方法

以电导型脉冲网络在计算机中实现九种架构，分别测试频率解码、时间顺序辨别和衰减记忆；提出 IC³ 从神经元动力学、功能通信和结构支持刻画网络状态。

局限

从研究设计看，为纯计算（in silico）研究，未使用真实神经元或芯片实验验证。

AI 依据原文整理，未经人工核对。