1医学,口头和生物技术科学系,加布里埃尔·德·安努齐奥·奇特·佩斯卡拉大学,意大利66100 Chieti; adriano.piattelli@unich.it 2福吉亚大学临床与实验医学系,意大利71100 Foggia; vitocarlo.caponio@unifg.it(v.c.a.c.); lorenzo.lomuzio@unifg.it(l.l.m.)3临床专业和牙科科学系,马尔凯理工大学,意大利安科纳60121; marcomascitti86@hotmail.it 4 Fondazione Villa Serena per la Ricerca, Citt à S. Angelo, 65121 Pescara, Italy 5 Casa di Cura Villa Serena, Citt à S. Angelo, 65121 Pescara, Italy 6 Department of Biomedical Sciences and Public Health, Marche Polytechnic University, 60121 Ancona, Italy; c.rubini@univpm.it 7奇特·佩斯卡拉大学医学与牙科创新技术系,意大利66100 Chieti; emily.capone@unich.it(E.C。); g.sala@unich.it(g.s.)8高级研究与技术中心(CAST),通过Polacchi 11,66100 Chieti,意大利 *通信:v.perrotti@unich.it;电话。 : +39-32-9627-6602†这两位作者同样贡献。8高级研究与技术中心(CAST),通过Polacchi 11,66100 Chieti,意大利 *通信:v.perrotti@unich.it;电话。: +39-32-9627-6602†这两位作者同样贡献。
在通向人工通用智能(AGI)的道路上,已经探索了两种解决方案路径:神经科学驱动的神经形态计算,例如尖峰神经网络(SNNS)和计算机科学驱动的机器学习,例如人工神经网络(ANNS)。由于数据的可用性,高性能处理器,有效的学习算法以及易于使用的编程工具,ANN在许多智能应用程序中都取得了巨大的突破。最近,SNN由于其生物学的合理性和实现能量效率的可能性而引起了很多关注(Roy等,2019)。然而,与“标准” ANN相比,由于准确性较差,因此他们不在进行持续的辩论和怀疑中。性能差距来自多种因素,包括学习技术,基准测试,编程工具和执行硬件,SNN中所有这些都不像ANN域中的那样发达。为此,我们提出了一个研究主题,名为“理解和弥合神经形态计算和机器学习之间的差距”,在计算神经科学的神经科学和边界的边界,以收集有关神经形态计算的最新研究和机器学习,以帮助理解和弥合所提到的差距。我们总共收到了18份意见书,并最终接受了其中的14份。这些接受论文的范围涵盖了学习算法,应用程序和有效的硬件。