事件编码阈值不再靠试错：正常工况波动定出信息充分边界，事件密度降约7.6倍仍保精度
事件驱动学习把连续信号变成稀疏事件，但触发阈值长期靠经验试错。该工作把带符号阈值编码对应到离散化学习系统，用正常工况信号增量的标准差与阈值之比给出信息充分边界，再以保留峰值判别信息的规定比例为准则选出最稀疏阈值。在电力系统故障分类中，保留75%峰值信息时事件密度相对该边界下降约7.6倍，总体分类精度为94.14%。
SEPhIA让多个脉冲神经元共用一束多波长激光：两层光电脉冲网络在四类图像分类上达到91.35%
HPE Labs 提出并验证了 SEPhIA，一种以微环调制器和多波长激光为核心的光电脉冲神经网络架构，让多个脉冲神经元共享一束多波长光，从而把每个神经元所需的激光数压到不足一台。此前光子脉冲计算多聚焦于单个脉冲器件或全光激光网络，较少在架构层面同时考虑光功率、串扰与占位。研究用实验器件参数构建可训练的光电脉冲网络模型，在四类脉冲编码图像分类上取得91.35%的测试准确率，与同规模全连接脉冲网络基线93.65%相差约1个百分点。
固定连接组也能学会记忆：线索藏在神经元适应里，只在学习时的脑状态下读得出
一个按雄性果蝇完整中枢神经系统连接组搭建的脉冲模型，在固定接线不变的前提下学会规划移动并记住视觉线索。线索不靠持续放电维持，而是写入神经元的脉冲频率适应，在空白延迟中静默保存，由下一次输入读出。读出只在学习时的脑状态下有效：同一痕迹在未训练的延迟下几乎反向，模拟Aβ42所致钾通道缺失的损伤会重写痕迹并改变其读法，而在损伤下重新学习不受影响。
脉冲跨模态注意力加了门控：门放在脉冲发放前，CREMA-D 准确率升 2.15 个百分点
脉冲神经网络做音视频融合时，跨模态注意力内部缺少按输入调节信息流的手段。GSCANet 在双流 Spikingformer 编码之上加入门控脉冲跨模态注意力，把门放在注意力输出、脉冲发放之前，并用查询与值拼接成的信号驱动。在 CREMA-D 与 RAVDESS 上，这一配置比无门控基线分别高 2.15 和 1.05 个百分点；门控位置与驱动信号都会改变效果。
帕金森诊断不再只看单一模态：语音、步态、影像与临床放进一张动态异质图，外部欧洲队列零样本仍有95.8%
帕金森病诊断长期依赖症状与专家评估，多模态数据异质、标注稀缺，现有深度模型又缺少不确定性提示。NeuroQ-MGST把语音、步态、神经影像与临床指标分别经脉冲神经网络编码，用自监督对比与掩码重建对齐，再在动态异质图上做分层图Transformer关系推理，并以量子启发变分优化和蒙特卡洛Dropout给出校准置信度。在PMMD 2.0测试集上准确率98.7%、AUC-ROC 0.989，未微调的外部欧洲队列零样本准确率95.8%。
睡眠时长测不出恢复感：多尺度脉冲网络把五种睡眠障碍放进同一72小时光周期，矛盾性失眠睡够却恢复最差
一个多尺度生物物理模型把睡眠稳态、昼夜节律、下丘脑开关和皮层脉冲网络串起来，在同一个72小时光周期里跑出五种睡眠障碍；矛盾性失眠总睡眠时间与健康人相同，恢复指数却最低。
神经网络调参不再整脚本重写：三个LLM角色只改指定模块，MNIST准确率从80%升到93%
多智能体大语言模型框架把神经网络调参限定在指定功能模块上，网络整体结构保持不变。此前这类关键组件多由人工选择，且已有智能体系统通常优化整个机器学习脚本或从文本描述搭建网络。框架由分析师、编码员和记录员三个角色组成，配合沙箱执行环境与实验日志，在五个任务上均优于基线：MNIST分类准确率提高13个百分点，Digits提高6个百分点，广义非线性薛定谔方程单孤子问题的相对误差降低约2491倍，守恒误差在选定运行中降低约325倍，Kuramoto–Sivashinsky问题的质量漂移降低14倍。
已读完全部报道