用上下文感知和灵活的神经元实现适应性认知，用于下一代人工智能
神经形态计算在硬件上模仿了人脑的结构和功能原理，并希望复制大脑的智力。
一般来说，大脑的一个显著的和受欢迎的能力是其适应性智能，它使大脑能够 "在飞行中 "调节其功能，以有效地应对不断变化的环境、情况、目标和奖励。
这种适应性智能的一个具体例子是情境意识，众所周知，它是认知或高级智能的标志。
语境意识是一个智能体根据标有 "语境 "的基本情况来调整其对某种情况的反应或改变其在某种情况下的决定的能力。
它允许大脑在考虑多种因素的同时做出复杂的、高层次的决定，了解情况，对新的刺激做出反应，并从小数据集中做出预测。
在大脑中发现的另一个适应性认知功能是跨频耦合（CFC），它使人们能够通过高级知识对低级神经信号进行认知控制。
氯氟化碳的一种风味是相位-振幅氯氟化碳，其中全局的、低频的神经振荡的相位控制或适应局部的、高频的神经振荡的振幅，其中神经振荡是大脑中的节奏性活动，发生在神经组织的各个层次。
CFC使大脑能够动态地重组其内部网络，整合各种功能系统，并控制内部信号传递。
第三种适应能力称为特征结合，使大脑能够将感知对象的不同特征结合成一个连贯的整体，并整合多模态信息以建立外部世界的连贯表征。
据认为，在大脑中，全局的、低频的神经振荡的相位通过控制或适应局部的、高频的神经振荡的频率来结合特征。
众所周知，特征结合对视觉认知很重要，并与意识有关。
这些认知能力在神经形态计算机中的实现可以带来具有变革性影响的人工智能（AI）。
前面描述的人类智能的适应能力源于生物神经元的适应能力以及生物突触的可塑性，由神经回路的集体动力学介导。
适应性神经元是指神经元的属性，包括其状态、传递函数和状态空间，可以 "即时 "改变或调制。
生物神经元通过神经调控具有适应性，即对神经元的调控输入作为控制信号，改变神经元的特性，使其功能适应不同情况。
通过神经调控，大脑可以改变神经振荡的振幅和频率。
生物神经元的这种适应能力，特别是神经振荡的神经调控，对许多额外的认知过程至关重要，包括信息传递、决策、记忆、物体代表、视觉感知和注意力。
除了神经科学，适应性神经元的重要性在基于软件的人工神经网络（ANNs）和机器学习中也得到了充分的认可。
值得注意的是，在ANN中使用自适应神经元可以在只使用一个隐藏层的情况下准确地表示一个连续函数。
这意味着，一般来说，自适应神经元在表示连续函数方面的表现力超过了非自适应神经元的表现力。
在基于软件的ANNs中，具有自适应状态和自适应传递函数的神经元已经被实现，并被证明在较小的ANN架构下取得了比传统的非自适应神经元更好的分类性能。
因此，基于硬件的自适应神经元可以实现以前无法实现的认知能力，具有深远的应用。
这里展示的情境感知计算可以对人机协作、个性化医疗、先进制造业和教育产生全面的影响。
此外，特征绑定可以实现多模态信息融合，这可以改变自动驾驶汽车、神经假体、可穿戴健康技术、农业和气候控制。
更广泛地说，基于硬件的自适应神经元可以缓解当代ANNs面临的几个关键挑战。
现代ANNs需要大量的训练数据，不可持续的大能量，以及在CMOS电路上实现时的芯片面积，并且在其应用中是高度具体的。
相比之下，像T-SKONE这样的自适应神经元可以缓解这些挑战，使ANN学习速度更快，架构紧凑，节能，容错，并实现更广泛的人工智能。
参考文献：
[1] Neftci E, et al. 2013. Synthesizing cognition in neuromorphic electronic systems. Proc Natl Acad Sci. 110(37):E3468–E3476.
[2] Grossberg S. 2021. Toward autonomous adaptive intelligence: building upon neural models of how brains make minds. IEEE Trans Syst Man Cybern Syst. 51(1):51–75.
[3] Dayan P. 2008. Simple substrates for complex cognition. Front Neurosci. 2(2):255–263.
[4] Dey AK. 2001. Understanding and using context. Pers Ubiquitous Comput. 5:4–7.
[5] Schilit B, Theimer M. 1994. Disseminating active map information to mobile hosts. IEEE Netw. 8:22–32.
