研究团队基于稀土掺杂晶体构建出完全由光信号驱动的人工突触，实现了无需电信号参与的存储与计算一体化，并在类脑相机原型中验证了其在图像去噪和识别上的优势。

研究人员通过将两层极化方向相反的硒化铟薄层堆叠，在共享界面形成高导电铁电带电畴壁。相关成果发表于《Advanced Materials》，并被认为有望用于类脑器件与可重构电子学研究。

研究团队基于二维材料MoS2设计出新型类脑计算芯片，并提出“信号折叠”方案，在保持人工智能模型精度的前提下，将向量-矩阵乘法功耗最高降低约90%。

圣路易斯华盛顿大学团队提出一种混合人工智能架构，将类脑系统与量子力学方法结合，用于构建能够稳定输出最优解的“发现机器”。

在传统芯片逼近物理极限、AI 能耗急剧攀升的背景下，密苏里大学研究团队从人脑结构和工作机制中汲取灵感，探索新一代类脑计算硬件。

研究团队基于二硒化铪忆阻器，构建出兼容硅工艺的存算一体芯片，在保持传统数字系统精度的同时，将人工智能推理能耗降低到不足一半。

普林斯顿研究人员将活体脑细胞与微型电子网格深度集成，构建出可被编程用于模式识别的三维计算系统，为低能耗智能计算和神经科学研究提供新平台。

西北大学团队利用可打印柔性电子材料，制备出能发出类真实神经信号并直接激活小鼠脑组织中神经元的人工神经元，为高效类脑计算和新一代脑机接口奠定基础。

研究团队在忆阻器中引入稳定的内置氧梯度，实现缓慢且可控的电导演化，并将其映射为强化学习中的自适应学习率，大幅提升学习效率与稳定性。

研究团队以人脑高效低能耗的信息处理方式为灵感，开发类脑算法与专用硬件，使无人机和机器人等自主设备在能耗受限的条件下完成实时感知、导航与决策。

研究团队利用二维层状硒化铋（Bi2Se3）制备出兼具长期数据保持和模拟调节能力的新型忆阻器，并在全模拟硬件储备计算网络中成功完成平衡杆控制任务，展示了其在高能效类脑计算中的应用潜力。

DGIST研究团队开发出全球首个在两端子垂直结构中，通过电信号精确操控氢离子，实现自学习与记忆功能的人工智能半导体。