Как видно из «Нейронной инженерии» Элиасмита и др. В главе 4 сложные модели нейронов обладают большими вычислительными возможностями и более реалистично сопоставляют нейронные данные.

Вычислительные возможности

Как видно из следующей таблицы (взято из Neural Engineering), адаптивные нейроны LIF, в силу их изменяющихся во времени паттернов срабатывания (т. е. постоянный вход будет вызывать разные паттерны спайков с течением времени), кодируют больше информации на каждый спайк:

Как видно из этой таблицы, существует компромисс между сложностью информации, представляемой нейроном, и вычислительной стоимостью. Однако эта стоимость рассчитывается для традиционных процессоров фон-Неймана. Можно создать нейроморфное оборудование, чтобы минимизировать эту стоимость при максимальной вычислительной мощности. Для получения дополнительной информации см. « Нелинейное синаптическое взаимодействие как вычислительный ресурс в платформе нейронной инженерии », в котором показано, как нелинейные дендриты могут обеспечивать мощные формы вычислений с минимальными дополнительными затратами на нейроморфное оборудование.

Сопоставление биологических данных

Вышеупомянутая временная дисперсия адаптивного LIF также используется для сопоставления нейронных данных, как видно из этой модели рабочей памяти , что было бы невозможно с обычными нейронами LIF. Использование еще более сложных моделей может позволить сопоставить эффекты наркотиков, как показано в « Влиянии гуанфацина и фенилэфрина на модель рабочей памяти с пикирующими нейронами ».