长期以来,神经科学和人工智能领域都已知神经元之间的“绑定”会导致一种竞争性学习,其中表征在网络的更深层被压缩,以表示更抽象的概念。最近,人们还假设动态(时空)表征在神经科学和人工智能中也起着重要作用。基于这些观点,我们引入了人工库拉莫托振荡神经元(AKOrN)作为阈值单元的动态替代方案,它可以与任意连接设计结合使用,例如全连接、卷积或注意力机制。我们的广义库拉莫托更新通过同步动力学将神经元绑定在一起。我们展示了这一想法在广泛的任务中提供了性能改进,如无监督物体发现、对抗鲁棒性、校准不确定性量化和推理。我们认为,这些实证结果表明重新思考我们在神经表征最基本的神经元层面的假设的重要性,特别是动态表征的重要性。