Action Potential當神經元的膜電位超過閾值時產生的短暫電脈衝（尖峰）。這種全有或全無的訊號沿著軸突傳播，與其他神經元進行通訊。在神經形態系統中，尖峰是資訊交換的基本單位。
Axon神經元的長投射，將電脈衝（尖峰）從細胞體傳送到其他神經元。在神經形態硬體中，軸突被實現為在人工神經元之間傳遞尖峰訊息的路由通道。
Dendrite神經元的分支結構，透過突觸接收其他神經元的輸入訊號。在神經形態晶片中，樹突處理是透過整合輸入尖峰訊號的輸入累積電路來建模的。
Integrate-and-Fire Model神經元的簡化數學模型，隨著時間的推移累積（積分）輸入訊號，並在累積值超過閾值時產生輸出尖峰，之後神經元重置。 Leaky Integrate-and-Fire (LIF) 變體添加了一個衰減項，以獲得更多的生物真實性。
Membrane Potential神經元細胞膜上的電壓差。在生物神經元中，它決定神經元何時放電。在神經形態模型中，它表示整合輸入並觸發尖峰的內部狀態變數。
Spike-Timing-Dependent Plasticity (STDP)一種生物學習規則，其中突觸強度的變化取決於突觸前和突觸後尖峰的相對時間。如果突觸前神經元在突觸後神經元之前不久放電，則突觸會增強；相反的順序會導致削弱。
Von Neumann Bottleneck傳統電腦架構中的基本效能限制是由記憶體和處理單元的分離所造成的，需要資料在它們之間不斷地穿梭。神經形態架構透過配置運算和記憶體來避免這種情況。
Neurosynaptic Core神經形態晶片中的基本處理單元，包含一組人工神經元、它們的突觸連接和局部路由邏輯。多個核心互連形成完整的神經形態處理器。
Lateral Inhibition一種神經機制，其中活躍的神經元減少其鄰居的活動。在神經形態系統中，這實現了贏家通吃的競爭，並用於模式識別和特徵選擇等任務。
Refractory Period神經元放電後的短暫時期，在此期間它不能再次放電（絕對不反應期）或需要更強的刺激（相對不反應期）。這種生物約束在神經形態模型中實現，以調節放電率。
Asynchronous Circuit一種無需全域時脈訊號即可運作的電子電路，可在事件到達時處理資料。神經形態晶片通常使用非同步設計原理來實現事件驅動的低功耗操作。
Crossbar Array某些神經形態硬體中使用的電路拓撲，其中突觸權重儲存在水平線和垂直線的交叉點處，從而實現神經計算的高度並行矩陣向量乘法。
Neural Coding神經元表示和傳遞訊息的方式。速率編碼以尖峰頻率對訊息進行編碼，而時間編碼則使用精確的尖峰定時。神經形態系統可以利用這兩種編碼方案。
Hebbian Learning學習原理概括為「神經元一起放電、連結在一起」。它指出，當突觸前和突觸後神經元同時活躍時，突觸連接會得到加強。 STDP 是 Hebbian 學習的一種時間精確形式。
Soma神經元的細胞體，包含細胞核並整合來自樹突的傳入訊號。在神經形態硬體中，體細胞功能是透過累積突觸輸入並產生尖峰的電路來實現的。
Memristor一種兩端電子元件，其電阻會根據流過它的電流歷史而變化。憶阻器在神經形態計算方面很有前景，因為它們可以自然地在硬體中實現突觸權重儲存和可塑性。
Winner-Take-All (WTA) Network一種神經迴路基序，其中多個神經元透過側抑制競爭，並且只有最強烈活化的神經元產生輸出。 WTA 網路用於神經形態系統中的分類、模式識別和注意力機制。
Neuromorphic Sensor一種感測器，設計用於按照神經形態原理運行，產生非同步、事件驅動的輸出，而不是固定速率的幀。動態視覺感測器 (DVS) 或事件相機是將像素級亮度變化輸出為具有微秒時間解析度的單一事件的範例。
Spike Encoding將類比輸入訊號（例如感測器資料或像素值）轉換為可由尖峰神經網路處理的尖峰序列的過程。方法包括速率編碼、時間編碼、增量調變和群體編碼。
Homeostatic Plasticity神經可塑性的一種形式，透過調整神經元興奮性或突觸強度來響應活動水平的長期變化，從而維持穩定的神經活動。在神經形態系統中，它可以防止神經元失控興奮或完全沉默。
Reservoir Computing使用固定的、隨機連接的循環神經網路（儲存層）的計算框架，其中僅訓練輸出層。儲層運算的神經形態實現利用尖峰網路的固有動力學進行時間模式辨識。
Excitatory and Inhibitory Neurons神經迴路中神經元的兩種基本類型。興奮性神經元增加目標神經元的放電機率，而抑制性神經元則降低目標神經元的放電機率。興奮和抑制之間的平衡對於生物和神經形態系統中穩定的神經計算至關重要。
Plasticity Rule定義突觸權重如何回應神經活動而改變的數學規則。在神經形態系統中，STDP、BCM 和 Oja 規則等可塑性規則可以直接在硬體中實現，從而無需外部監督或反向傳播即可實現片上學習。
TrueNorthIBM 的神經形態晶片包含 100 萬個可程式神經元和 2.56 億個可配置突觸，以極低功耗 (70mW) 運作模式識別任務。
Loihi英特爾的神經擬態研究晶片實現了 128 個具有可編程突觸學習規則的神經擬態核心，無需外部訓練即可實現片上學習和適應。
NorthPoleIBM 最新的神經擬態晶片 (2023) 透過分散式記憶體架構消除馮諾依曼瓶頸，實現了神經網路推理前所未有的能源效率。
Dynamic Vision Sensor (DVS)神經形態相機可非同步偵測像素級亮度變化，產生具有微秒時間解析度和極端動態範圍的事件，模仿視網膜處理。
Neural ODE一種數學框架，將神經網路層建模為連續變換，將深度學習與動力系統理論聯繫起來，並實現更像大腦的連續時間處理。
Brainomorphic一個更具體的術語，指的是緊密模仿生物神經組織的物理結構和動力學的硬件，超越了功能性神經形態方法來複製生物細節。
Liquid State Machine一種使用循環尖峰神經網路（「液體」）的儲層計算方法，將輸入轉換為高維度表示，僅訓練讀出層。
Spike Rate Coding一種神經編碼方案，其中資訊隨著時間的推移以尖峰頻率進行編碼。較高的放電率代表更強的訊號，類似於亮度如何增加視覺皮質中的神經元放電率。
Temporal Coding一種神經編碼方案，其中資訊按照單一尖峰的精確時間而不是頻率進行編碼。時間編碼可以比速率編碼在每個尖峰攜帶更多資訊。
Dendritic Computing人們逐漸認識到樹突（神經元的輸入分支）執行複雜的局部計算，而不僅僅是被動訊號傳輸。神經形態設計越來越模擬樹突狀處理。
BrainScaleS海德堡大學開發的神經形態運算平台，以加速時間運行（比生物即時快 1000 倍），能夠快速探索神經網路動力學。
Catastrophic Forgetting傳統神經網路中的一個問題是學習新資訊會抹掉以前學到的知識。像 STDP 這樣具有本地學習規則的神經形態系統自然可以抵抗這個問題。
Spike Train神經元隨時間產生的一系列離散尖峰（動作電位）。尖峰模式編碼訊息，是神經形態系統中的基本通訊訊號。
Synaptic Weight表示兩個神經元之間連接強度的數值。在神經形態硬體中，突觸權重儲存在儲存元件（SRAM、憶阻器或類比電路）中，並在學習過程中進行修改。
Leaky Integrate-and-Fire (LIF)神經形態計算中最常見的簡化神經元模型。輸入電流透過洩漏（衰減）進行積分（累積），當膜電位達到閾值時，會發出尖峰。
Neuromorphic Accelerator專門的硬體晶片針對運行尖峰神經網路運算進行了最佳化，與用於神經網路推理的通用處理器相比，能源效率實現了數量級的提高。
Bio-Inspired Computing一個廣泛的術語，涵蓋所有受生物系統啟發的計算方法，包括神經形態計算（大腦）、演化演算法（演化）和群體智慧（集體行為）。
Address-Event Representation (AER)神經形態硬體中使用的通訊協議，其中尖峰被編碼為發送神經元的位址並非同步傳輸，從而實現高效的晶片間通訊。
Neural Dust設計用於植入體內以監測神經活動的超小型無線感測器，代表了神經形態感測技術的極端小型化。
Astrocyte一種曾經被認為是被動支持的腦細胞，現在已知可以調節突觸傳遞和神經計算。一些神經形態系統模擬星狀細胞-神經元相互作用以改善學習。