建立在神经元交互作用原理上的神经形态处理器在人工神经网络/机器视觉任务领域显示出最佳结果。但是，它们远不能模仿大脑中发生的过程。星形胶质细胞是最丰富的神经胶质细胞，是许多原因之一。
人们认为它们对神经元具有支持功能，但是近几十年来的研究表明，正如研究人员所信奉的一个多世纪以来，这种类型的细胞的作用远不止填充神经元之间的空间。研究表明，这些细胞在脑功能中也起着关键作用，包括学习和中枢模式生成（CPG），这是呼吸和步行等有节奏行为的基础。
现有嗜神经溶液的缺点
认为学习仅在神经元之间建立牢固联系的假设是不正确的。实际上，在
宏观上处于混沌边缘的网络中，学习和记忆达到了最佳平衡，狭窄的动态模式
在学习算法中被广泛忽略，但也可以由大脑来体现。
在大多数情况下，神经形态解决方案缺乏网络全局目标的计算效率与局部，活动依赖机制的多功能性的结合。
神经元-星形细胞
罗格斯大学的研究人员意识到现有文献中的这一空白，因此正在开发大脑算法，该算法还可以解释和复制星形胶质细胞的功能。
他们提出了（当心，重言式）基于综合神经-神经网络的大脑形态CPG控制器，该网络为机器人生成两种步态模式。他们基于最新发现的星形细胞神经调节机制，向我们提出了一种CPG架构，该架构使用芯片与机器人操作系统（ROS）环境之间的实时交互环境无缝集成到Intel Loihi神经形态芯片中。
Loihi CPG可用于控制行走机器人，使其具有抗感官噪声和变速特性。
观察大脑模仿领域中新的建筑方法的发展是非常有趣的。研究和实验正在进行中，这将在未来极大地改变我们的生活。还有我们的工作。