Como se ve en "Neural Engineering" de Eliasmith et al. Capítulo 4, los modelos de neuronas complicados tienen mayores capacidades computacionales y combinan los datos neuronales de manera más realista.

Capacidades Computacionales

Como se ve en la siguiente tabla (tomada de Neural Engineering), las neuronas LIF adaptativas, en virtud de sus patrones de disparo que varían temporalmente (es decir, una entrada constante causará diferentes patrones de picos con el tiempo) codifican más información por pico:

Como se ve en esta tabla, existe una compensación entre la complejidad de la información representada por la neurona y su costo computacional. Sin embargo, este costo se calcula en las CPU tradicionales de Von-Neumann. Es posible crear hardware neuromórfico para minimizar este costo y maximizar la capacidad computacional. Para obtener más información, consulte " Interacción sináptica no lineal como recurso computacional en el marco de ingeniería neuronal ", que muestra cómo las dendritas no lineales pueden permitir formas poderosas de computación con un costo de hardware neuromórfico adicional mínimo.

Coincidencia de datos biológicos

La variación temporal antes mencionada de Adaptive LIF también se usa para hacer coincidir los datos neuronales como se ve en este modelo de memoria de trabajo , lo que no habría sido posible con las neuronas LIF regulares. El uso de modelos aún más complicados puede permitir igualar los efectos de las drogas, como se muestra en " Efectos de la guanfacina y la fenilefrina en un modelo de memoria de trabajo de neuronas en aumento ".