多学科神经计算是神经计算领域中一种整合多个学科知识和技术的方法，旨在探索和开发更高级的神经网络模型、算法及其在不同领域的应用。该领域的研究和应用涉及了人工智能、机器学习、认知科学、计算机科学、电子工程、生物医学等多个学科，其目标是模拟人类大脑的结构和功能，创造出更接近于人类智能的计算系统。
多学科神经计算的研究内容通常包括但不限于以下几个方面：
1. 神经网络模型的构建：研究者们试图构建出可以模拟大脑中神经元活动的计算模型。这些模型通常基于大量神经元连接的网络结构，可以是简单的感知器模型，也可以是更复杂的深度神经网络。
2. 学习算法的设计：为了训练上述模型，需要开发各种学习算法，包括监督学习、无监督学习、半监督学习和强化学习等。这些算法帮助模型从数据中学习并优化其参数，以提高处理任务的能力。
3. 计算硬件的开发：神经计算往往需要大量的计算资源，因此，研发专用的硬件加速器如图形处理单元（GPU）、现场可编程门阵列（FPGA）、甚至是专为神经网络设计的集成电路（ASIC）变得十分关键。
4. 生物学基础研究：深入了解大脑的工作原理和神经元的生物机制，对改进神经计算模型和算法至关重要。同时，通过模仿生物学神经系统的特性，可以帮助创造出新的学习算法和网络结构。
5. 应用开发：多学科神经计算技术广泛应用于图像识别、语音识别、自然语言处理、预测分析、自动驾驶、机器人技术、医疗诊断等领域，它在解决复杂问题时展现了巨大的潜力。
6. 知识转移与创新策略：如何有效地将神经计算知识从研究领域转移到工业应用中是多学科神经计算中的一个重要议题。这要求跨学科的合作，以及对知识转移的方法和策略进行创新。
7. 系统和范式的融合：多学科神经计算不仅仅局限于单一技术或学科，它强调在系统和范式层面上的融合，通过整合不同学科的理论和方法来解决实际问题。
通过多学科神经计算的研究，可以推动智能系统和智能技术的发展，进而为工业、环境和社区问题提供创新的解决方案。电子书《Multidisciplinary Approaches to Neural Computing》作为该领域的经典著作，无疑为读者提供了一个关于多学科神经计算理论和应用的全面视角。
本书是《Smart Innovation, Systems and Technologies》系列的一部分，该系列涵盖了知识、智能、创新和可持续性等主题。该系列的目的是提供一个平台，用于发布关于这些主题的单学科或多学科研究的书籍，以方便地获取最新研究成果。特别是那些结合了两个或更多这些主题的跨学科研究作品，是系列特别寻求的。该系列涵盖了广泛的应用，包括将知识和智能嵌入系统中，这些系统可以应用于工业世界问题的解决方案中。
此外，该系列还关注知识转移方法论和创新策略的运用，如何有效地实现这一点。智能系统工具与广泛应用的结合引入了需要从科学、技术、商业和人文学科等多个学科之间协同合作的需求。系列将包括会议论文集、编辑过的文集、专著、手册、参考书以及其他相关的科技书籍类型，在智能系统和技术可以提供创新解决方案的领域中。所有被该系列接受的书籍提案都期望具有高质量的内容。预计所有接受的卷册的编辑将确保贡献内容通过适当级别的审查过程，并遵守KES的质量原则。
