摘要

本文介绍了一种利用BrainPy进行多尺度可微脑建模的工作流程，BrainPy是一种独特的可微脑模拟器，结合了精确的脑模拟和基于梯度的优化。该方法在不同脑尺度上利用BrainPy的能力，从单个神经元水平到网络水平，再到行为水平，通过基于梯度的优化算法来训练模型，以复现动物行为。实验表明，该方法在拟合广义漏积分-放电和Hodgkin-Huxley单神经元模型方面表现出色，并且在工作记忆任务中训练生物学启发的兴奋性和抑制性尖峰神经网络成功复现了观察到的神经活动和突触权重分布。总体而言，这种可微的多尺度模拟方法为跨越电生理、解剖和行为尺度的神经科学数据提供了一个有前景的工具。

原理

本文提出的多尺度可微脑建模工作流程的核心在于利用BrainPy的自动微分（autograd）能力，通过梯度下降优化方法来拟合可微的单神经元和突触模型。在单神经元水平，通过使用替代梯度方法，将不可微的尖峰操作替换为平滑的替代函数，从而使得梯度下降算法能够应用于尖峰神经网络（SNN）模型。在网络水平，结合神经科学实验中的连接组数据，构建数据驱动的生物学约束尖峰神经网络（SNN）。在行为水平，使用基于梯度的在线学习规则训练这些生物学启发的模型，以复现动物在认知任务中的行为。这种跨尺度的整合和优化方法使得模型能够更准确地模拟和解释从微观到宏观的脑功能。

流程

多尺度可微脑建模的工作流程包括三个主要阶段：（1）在微观尺度上，基于电生理记录数据和基于梯度的优化拟合单神经元和突触模型；（2）在中观尺度上，将连接组约束纳入网络构建，整合结构连接信息；（3）在宏观行为水平上，应用基于梯度的优化方法训练上述数据约束的模型网络，以复现人类或动物的认知行为。具体实施中，首先通过电生理数据拟合单神经元模型，然后利用连接组数据构建神经网络，最后通过在线学习框架训练网络以执行特定的认知任务。整个流程通过BrainPy这一可微脑模拟器实现，确保了模型参数的优化和行为的复现。

应用

该多尺度可微脑建模方法的应用前景广泛，包括但不限于：（1）神经科学研究，通过模拟不同尺度的脑功能来增进对脑工作机制的理解；（2）临床医学，可能用于疾病模型的建立和治疗策略的评估；（3）人工智能和计算神经工程，为开发更高效、更接近生物学原理的计算模型提供工具。随着技术的进步和计算资源的增加，这种方法有望在更复杂的脑模型和更大规模的数据集上得到应用，推动脑科学和相关领域的进一步发展。