研发挑战
Boahen于1990年加入了Mead的实验室。他说，在最初的时期，研究人员都忙于研究单芯片设备。不过到20世纪90年代末，“我们希望建立一个‘大脑’，因此需要大规模的芯片间通信。”这是一个巨大的挑战：芯片间通信的标准编码算法都是专门为精确协调数字信号而设计的，不会在有更多随机尖峰脉冲的神经形态系统下工作。
21世纪初，Boahen和其他研究人员发明了在这种混乱系统下运行的电路和算法，为大规模神经形态系统的一系列发展开辟了道路。
“就效率而言，Boahen的神经网格与大脑的神经网络十分相似，遥遥领先于其他大规模的神经形态系统。”INI联合创办人、硅神经元的协作开发者Rodney Douglas评价道。
不过正如Boahen自己所说的那样，没有什么系统是完美的。神经网格最大的缺点之一是其突触连接简单，不能单独修改。这意味着该系统不能用于模拟学习，而在大脑中，通过经验修改突触后就能实现这一切。
另一个问题来自制造过程中不可避免的变化，这意味着每个神经形态芯片的运行都略有不同。“其变化性还是远远低于在大脑中所观察到的情况。”Boahen说。
这一问题导致一些研究人员抛弃了Mead使用“亚阈值”硅芯片的最初想法。他们使用严格意义上仍有神经形态性的传统数据系统——可以模拟单个神经元的电学性能，但其可预测性更强，更易编程，而代价是耗能更多。
实际应用
这些研究性项目的成功引发了人们对将神经形态硬件应用于实用的、超低功耗设备（从手机到机器人）的兴趣。
