在人工神经网络系统中，只有一小部分神经元的习惯化、敏化和经典条件反射行为得到了原始模拟。肌动蛋白细胞骨架机械¹和其他神经可塑性因子的模拟，对于学习新领域的核心，正处于起步阶段²。在撰写本文时，神经元激活的复杂性使商业 ANN 系统中使用的模型相形见绌，但研究仍在多个方面继续进行。

• 学习的神经科学³ ,
• 更好地支持 ANN 仿真精度的并行硬件方法^4、5和
• 动态框架⁶

此列表和上标中引用的示例以及下面的链接代表了可用信息和正在进行的工作的一小部分示例。

参考

[1]分子细胞生物学。第 4 版。Lodish H、Berk A、Zipursky SL 等人；纽约：WH弗里曼；2000.; 第 18.1 节肌动蛋白细胞骨架

[2]神经元软件；耶鲁大学

[3]分子细胞生物学。第 4 版。Lodish H、Berk A、Zipursky SL 等人；纽约：WH弗里曼；2000.; 第 21.7 节学习和记忆

[4]大规模并行计算机硬件上的人工神经网络；乌多·塞弗特；德国马格德堡大学

[5]神经网格；斯坦福大学

[6]动态计算图框架的解释

ANN 近似于生物神经元网络。近似始于早期感知器设计中的极其简单。 尖峰网络是更准确近似的示例。更准确的是，神经元行为的复杂模拟因此需要大量的计算资源。

如果您对生物神经元模型分析的数学概述感兴趣，我可以推荐Eugene Izhikevich的Dynamical Systems in Neuroscience。

大多数人工神经元以非常简单的方式模拟生物神经元。如今，主要目标是在预测任务中取得更好的性能。然而，神经科学中有大量文献着眼于神经元的计算模型。神经元是复杂的细胞，我们对神经元的理解还不完整。

试图密切模仿人类神经网络的计算模型是 Numenta 的分层时间记忆（尚未得到机器学习社区的太多关注）。在他们的模型中，他们明确地建模和实现了树突和其他生物学概念。