A pesar de su importancia, la histéresis sigue estando subrepresentada en los modelos convencionales de plasticidad. En este trabajo, proponemos un nuevo marco que modela explícitamente la histéresis en modelos simples de uno y dos neuronas. Nuestros modelos capturan fenómenos clave dependientes de la retroalimentación, como la biestabilidad, la multistabilidad, la periodicidad, la cuasiperiodicidad y el caos, ofreciendo una representación más precisa y general de la adaptación neural. Esto abre la puerta a nuevas perspectivas en la neurociencia computacional y el diseño de sistemas neuromórficos. Los pesos sinápticos cambian en varios contextos o mecanismos, incluyendo la modificación sináptica de Bienenstock-Cooper-Munro (BCM), donde los cambios sinápticos dependen del nivel de actividad postsináptica; la plasticidad homeostática, donde todas las sinapsis de una neurona se escalan simultáneamente hacia arriba o hacia abajo para mantener la estabilidad; la metaplasticidad, o plasticidad de la plasticidad; la neuromodulación, donde los neurotransmisores influyen en los pesos sinápticos; los procesos de desarrollo, donde las conexiones sinápticas se forman, podan y refinan activamente; enfermedades o lesiones; por ejemplo, las condiciones neurológicas pueden inducir cambios sinápticos maladaptativos; la plasticidad dependiente del tiempo de espiga (STDP), donde los cambios dependen del momento preciso de las espigas pre y postsinápticas; y la plasticidad estructural, donde los cambios en las espinas dendríticas y los botones axonales pueden alterar la fuerza sináptica. La capacidad de las sinapsis y neuronas para cambiar en respuesta a la actividad es fundamental para el aprendizaje, la formación de la memoria y la adaptación cognitiva. Este artículo presenta módulos neurocontinuos y discretos simples con sinapsis de retroalimentación adaptativa que, a su vez, están sujetas a retroalimentación. La dinámica de las redes neuronales de Hopfield impulsadas periódicamente de forma continua con sinapsis adaptativas se ha investigado desde la década de 1990 en términos de periodicidad y comportamientos caóticos. Por primera vez, se consideran modelos de uno y dos neuronas a medida que se varían los parámetros utilizando un mecanismo de retroalimentación que representa de manera más precisa la simulación del mundo real, como se explicó anteriormente. Se demuestra que estos modelos son dependientes de la historia. Se analiza un modelo discreto simple de dos neuronas con sinapsis de retroalimentación adaptativa en términos de estabilidad y se trazan diagramas de bifurcación a medida que se aumentan y disminuyen los parámetros. Este trabajo tiene el potencial de mejorar los algoritmos de aprendizaje, aumentar la comprensión de la formación de la memoria neural e informar la investigación en ingeniería neuromórfica.