日前，中科院自动化研究所类脑智能研究中心研究员曾毅团队成员在一项研究中总结归纳了七条受脑启发的学习准则，并成功应用于改善脉冲神经网络。通过组合不同的受脑启发的规则，实验研究验证的结果是：随着越来越多的、经过仔细选择的、受脑启发的规则的引入，深层脉冲神经网络能够得到越来越好的分类性能。相关成果发布于《中国科学： 》。
相比传统的人工神经元而言，脉冲神经元已具备更扎实的生物真实性，然而传统的脉冲神经网络模型仅仅抓住了脑信息处理过程中初步的局部学习训练法则。研究团队提出的7条学习准则都来源于对生物脑的实验研究，并各自从不同的侧面反映了生物网络的学习特性，如神经元的动态分配、突触的自适应生长和消亡机制、不同的突触可塑性学习机制(如不同类型的时序依赖突触可塑性)、网络背景噪声对学习的调控机制、兴奋性和抑制性神经元的比例对学习的调节机制等。
在这些学习准则中，神经元的动态分配、突触的生成与消亡、可塑性模型等被认为是脑神经网络处理信息的重要特性。研究团队将上述受脑启发的规则引入脉冲神经网络模型。
研究人员表示，他们提出的模型特点在于计算机制上相比传统神经网络模型更具生物可解释性，在这种情况下，通过计算建模理解脑信息处理机制与过程的意义，以及由此带来的启发，要远大于对性能的追求。
