利用内在神经元异质性实现鲁棒且高效的增强表征

研究发现，在循环神经网络中引入内在神经元膜时间常数的异质性，可显著提升数百项时序任务的性能与鲁棒性。 小尺度异质网络在部分成本和复杂度下即可匹敌大尺度同质网络，这种机制通过多样化神经元反应增强表征容量。 该机制为神经形态计算提供了利用设备间变异性抵消训练预算限制的方案。