中国科学院自动化研究所李国齐、徐波研究团队与清华大学、北京大学合作，提出了一种基于内生复杂性的类脑神经元模型构建方法。该方法借鉴了大脑神经元的复杂动力学特性，能有效改善传统模型计算资源消耗的问题。研究首先证明了脉冲神经网络的 LIF 和 HH 模型在动力学特性上的等效性，并设计了一种微架构，通过提升计算单元的内生复杂性，实现了在更小的网络架构上模拟更大规模 LIF 网络模型的动力学特性。研究还简化了由四个 tv-LIF 神经元构建的 HH 模型为 s-LIF2HH 模型，并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 网络模型和 s-LIF2HH 网络模型在表示能力和鲁棒性上表现相似，但 HH 模型在计算资源消耗上更为高效。研究为神经科学与人工智能的融合提供了新的方法和理论支持，并对优化 AI 模型性能提供了可行解决方案。研究团队正在对更大规模的 HH 网络和具备更大内生复杂性的多分支多房室神经元进行研究，以进一步提升大模型的计算效率与任务处理能力。