中国科学院自动化研究所与清华大学、北京大学等机构合作，提出了一种基于内生复杂性的类脑神经元模型构建方法。该方法展示了脉冲神经网络中LIF模型与HH模型的动力学特性等效性，并通过设计微架构提升了计算单元的内生复杂性，使得HH网络模型能够模拟更大规模的LIF网络模型特性。研究团队还简化了模型为s-LIF2HH模型，并通过仿真实验验证了其在捕捉复杂动力学行为方面的有效性。实验结果显示，HH网络模型在表示能力和鲁棒性上与s-LIF2HH模型相似，但在计算资源消耗方面更为高效。这项研究为将人工智能融入神经科学复杂动力学特性提供了新方法，加速了AI模型的优化与实际应用。研究团队计划进一步研究更大规模的HH网络及更复杂神经元，以提升大模型的计算效率与任务处理能力。