摘要 - 非形态硬件努力模仿大脑样神经网络，因此有望在时间数据流上进行可扩展的低功率信息处理。然而，要解决现实世界中的问题，需要培训这些网络。然而，对神经形态底物的培训会由于特征的特征和基于梯度的学习算法所需的非本地计算而产生显着的挑战。本文为神经形态底物设计实用的在线学习算法设计了数学框架。特别是，我们显示了实时复发学习（RTRL）之间的直接联系，这是一种用于计算常规复发神经网络（RNN）（RNN）的在线算法，以及用于培训跨度尖峰神经网络（SNNS）的生物学上可行的学习规则。此外，我们激励基于障碍物雅各布人的稀疏近似，从而降低了该算法的计算复杂性，减少了非本地信息的要求，并凭经验可以提高学习良好的学习性能，从而提高了其对神经形状子形态的适用性。总而言之，我们的框架弥合了深度学习中突触可塑性与基于梯度的方法之间的差距，并为未来神经形态硬件系统的强大信息处理奠定了基础。