導(dǎo)語(yǔ)

傳統(tǒng)神經(jīng)科學(xué)依賴機(jī)制假設(shè)構(gòu)建模型，而人工智能正在引入一種新的研究對(duì)象——代理腦（surrogate brain）：一種可從數(shù)據(jù)中學(xué)習(xí)、可預(yù)測(cè)、可操縱的個(gè)體化全腦動(dòng)力學(xué)系統(tǒng)。與經(jīng)典生物物理模型不同，代理腦并不試圖完整復(fù)刻真實(shí)神經(jīng)機(jī)制，而是通過(guò)解決逆問(wèn)題，學(xué)習(xí)最小但足以重現(xiàn)腦動(dòng)力學(xué)的有效計(jì)算結(jié)構(gòu)。其關(guān)鍵突破在于：代理腦首次使大腦從“被解釋的系統(tǒng)”轉(zhuǎn)變?yōu)椤翱蛇M(jìn)行虛擬干預(yù)與反事實(shí)實(shí)驗(yàn)的對(duì)象”。借助正向建模、逆問(wèn)題求解與正則化的統(tǒng)一框架，代理腦正在成為連接數(shù)據(jù)、機(jī)制與干預(yù)的中介層，為理論神經(jīng)科學(xué)與神經(jīng)工程提供一種新的共同語(yǔ)言。

關(guān)鍵詞：人工智能 (Artificial intelligence)、代理腦 (Surrogate brain)、動(dòng)力學(xué)系統(tǒng) (Dynamical system)、系統(tǒng)辨識(shí) (System identification) 、全腦動(dòng)力學(xué)（whole-brain dynamics）

彭晨丨作者

趙思怡丨審校

論文題目：Artificial intelligence as a surrogate brain: Bridging neural dynamical models and data 論文鏈接：https://academic.oup.com/nsr/advance-article/doi/10.1093/nsr/nwaf457/8301236 發(fā)表時(shí)間：2025年10月25日 論文來(lái)源：National Science Review

預(yù)測(cè)大腦活動(dòng)：

從機(jī)理驅(qū)動(dòng)到數(shù)據(jù)驅(qū)動(dòng)的范式轉(zhuǎn)移

理解并預(yù)測(cè)大腦活動(dòng)是神經(jīng)科學(xué)的核心目標(biāo)之一。傳統(tǒng)研究主要依賴神經(jīng)動(dòng)力學(xué)的機(jī)制模型，這類正向建模通常受限于固定的方程形式和群體平均參數(shù)，難以充分捕捉個(gè)體大腦中豐富的非線性和情境依賴動(dòng)力學(xué)。隨著機(jī)器學(xué)習(xí)方法的發(fā)展以及大規(guī)模神經(jīng)數(shù)據(jù)的出現(xiàn)，數(shù)據(jù)驅(qū)動(dòng)的腦動(dòng)力學(xué)建模展現(xiàn)出巨大潛力。循環(huán)神經(jīng)網(wǎng)絡(luò)和 Transformer 等模型在正向腦建模中取得了領(lǐng)先性能，并推動(dòng)了以 AI 模型作為“代理腦”的研究范式。

構(gòu)建代理腦涉及兩個(gè)相互關(guān)聯(lián)的過(guò)程：正向建模，即刻畫(huà)潛在大腦狀態(tài)在動(dòng)力學(xué)算子作用下的演化及其到可觀測(cè)信號(hào)的映射；以及逆問(wèn)題求解，即從數(shù)據(jù)中學(xué)習(xí)這些動(dòng)力學(xué)規(guī)則，涉及訓(xùn)練策略、目標(biāo)函數(shù)與參數(shù)優(yōu)化的設(shè)計(jì)。根據(jù)在模型結(jié)構(gòu)中整合先驗(yàn)知識(shí)程度的不同，代理腦在本綜述中被細(xì)分為：白盒、黑盒與灰盒模型，下面將展開(kāi)介紹這三類模型。

圖 1. 神經(jīng)動(dòng)力系統(tǒng)中的AI代理腦的理論架構(gòu)。代理腦是通過(guò)兩個(gè)相互關(guān)聯(lián)的過(guò)程構(gòu)建的：正演建模和反求解問(wèn)題。正向模型描述了潛在的大腦狀態(tài)如何根據(jù)動(dòng)力學(xué)算子F演化，并通過(guò)觀察映射h產(chǎn)生可被觀察到的信號(hào)。這里，ut表示外部輸入，t捕獲內(nèi)在動(dòng)態(tài)噪聲，建模測(cè)量不確定性。反問(wèn)題求解需要從數(shù)據(jù)中學(xué)習(xí)到F和h，這包括選擇訓(xùn)練策略（例如，下一個(gè)令牌預(yù)測(cè)）、定義目標(biāo)和優(yōu)化參數(shù)。該框架適配白盒、灰盒和黑盒的F和h公式，使代理腦能夠靈活地將機(jī)制先驗(yàn)與數(shù)據(jù)驅(qū)動(dòng)的適應(yīng)相結(jié)合。這些步驟產(chǎn)生了一個(gè)個(gè)性化的、預(yù)測(cè)的腦動(dòng)力學(xué)模型，支持機(jī)制洞察、虛擬實(shí)驗(yàn)和模型引導(dǎo)的神經(jīng)刺激。

多尺度的白盒模型：從單神經(jīng)元到全腦網(wǎng)絡(luò)

白盒模型的精髓在于其能夠整合從神經(jīng)生物學(xué)和物理學(xué)中推導(dǎo)出的機(jī)制原理，為模擬跨層級(jí)的神經(jīng)動(dòng)力學(xué)提供結(jié)構(gòu)化且可解釋的方法。在單神經(jīng)元層面，經(jīng)典的霍奇金-赫胥黎模型詳細(xì)地刻畫(huà)了進(jìn)出神經(jīng)元的離子流，盡管提供了深入的機(jī)制，但并不適用大規(guī)模神經(jīng)元群體的模擬。因此，在進(jìn)行神經(jīng)網(wǎng)絡(luò)的大規(guī)模模擬時(shí)，研究者常采用簡(jiǎn)化后的泄露積分-發(fā)放（Leaky-integrate fire, LIF）模型來(lái)平衡簡(jiǎn)潔性與計(jì)算效率。

當(dāng)?shù)缴窠?jīng)群體層面時(shí)，白盒模型通過(guò)平均場(chǎng)近似（mean-field approximation）將單神經(jīng)元?jiǎng)恿W(xué)擴(kuò)展到宏觀變量（如平均膜電位）。神經(jīng)質(zhì)量模型（NMMs）作為其中的杰出代表，利用低維且具有生物學(xué)解釋性的方程描述群體動(dòng)態(tài)，能夠模擬如EEG節(jié)律、視覺(jué)注意力等現(xiàn)象。進(jìn)一步地，腦網(wǎng)絡(luò)模型（BNMs）通過(guò)整合神經(jīng)質(zhì)量模型作為節(jié)點(diǎn)動(dòng)力學(xué)，模擬整個(gè)大腦網(wǎng)絡(luò)的相互作用。這些網(wǎng)絡(luò)模型通常采用鄰接矩陣來(lái)編碼從實(shí)測(cè)數(shù)據(jù)中推導(dǎo)出的結(jié)構(gòu)連接。這種從微觀到宏觀的整合，為理解分布式神經(jīng)回路如何協(xié)調(diào)支持復(fù)雜認(rèn)知功能開(kāi)啟了一扇窗。

黑盒模型：數(shù)據(jù)驅(qū)動(dòng)的靈活性與表現(xiàn)力

當(dāng)潛在的生物物理機(jī)制難以用顯式微分方程表達(dá)時(shí)，黑盒模型提供了另一種選擇。作為通用近似器，人工神經(jīng)網(wǎng)絡(luò)理論上可以捕捉任何數(shù)據(jù)模式，尤其適用于建模大腦活動(dòng)中特有的非線性和高維過(guò)程。過(guò)去十年中，RNNs、神經(jīng)微分方程（Neural ODEs）以及Transformer等模型在模擬動(dòng)力學(xué)系統(tǒng)方面取得了顯著成就。

黑盒模型的成功很大程度上取決于模型架構(gòu)與特定神經(jīng)信號(hào)特征的匹配。例如，針對(duì)具有高時(shí)間波動(dòng)特性的EEG信號(hào)，可能需要WaveNet等能夠捕捉細(xì)粒度頻率模式的架構(gòu)；而針對(duì)fMRI數(shù)據(jù)，簡(jiǎn)單的多層感知器（MLP）就能表現(xiàn)出不錯(cuò)的預(yù)測(cè)精度。此外，從直接在觀察空間建模轉(zhuǎn)向在潛空間（latent spaces）建模，是理解神經(jīng)動(dòng)力學(xué)的另一個(gè)補(bǔ)充視角。認(rèn)知狀態(tài)往往存在于比原始數(shù)據(jù)更低維的子空間中，通過(guò)變分自編碼器（VAE）等方法學(xué)習(xí)低維嵌入，可以更有效地揭示復(fù)雜動(dòng)態(tài)背后的潛在軌跡。

灰盒模型：先驗(yàn)知識(shí)與數(shù)據(jù)學(xué)習(xí)的融合

灰盒模型代表了一種混合建模范式，將神經(jīng)科學(xué)或物理學(xué)的先驗(yàn)理論知識(shí)與數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)的靈活性相結(jié)合。神經(jīng)科學(xué)先驗(yàn)可以作為引導(dǎo)學(xué)習(xí)的歸納偏置（inductive biases），塑造模型架構(gòu)或作為優(yōu)化過(guò)程中的正則化項(xiàng)。

一個(gè)典型的例子是受到樹(shù)突計(jì)算（dendritic processing）啟發(fā)的模型，如dend-PLRNN，它將樹(shù)突機(jī)制整合進(jìn)循環(huán)動(dòng)力學(xué)中，在降低模型維度的同時(shí)增強(qiáng)了非線性重建能力。此外，大腦的一些基本組織原則也被納入模型設(shè)計(jì)，例如強(qiáng)制神經(jīng)元遵循戴爾原則（Dale’s principle）——即神經(jīng)元要么是純興奮性的，要么是純抑制性的，這被證明能穩(wěn)定動(dòng)力學(xué)并結(jié)構(gòu)化皮層回路的時(shí)間表示。物理原理同樣為灰盒模型提供了支撐。物理信息神經(jīng)網(wǎng)絡(luò)（PINNs）將物理定律直接嵌入損失函數(shù)中，使得學(xué)習(xí)過(guò)程受到公認(rèn)物理動(dòng)力學(xué)的約束，顯著提升了參數(shù)推斷的準(zhǔn)確性和長(zhǎng)期預(yù)測(cè)的穩(wěn)定性。

圖 2. 三種類型的神經(jīng)動(dòng)力學(xué)模型：白盒、黑盒、灰盒模型。

求解逆問(wèn)題：適應(yīng)性挑戰(zhàn)

解決從觀測(cè)數(shù)據(jù)推斷未知系統(tǒng)的逆問(wèn)題，主要有兩種主流框架：基于貝葉斯定理的概率框架和基于泛函分析的確定性框架。概率框架將待解參數(shù)視為隨機(jī)變量，核心在于獲取參數(shù)的后驗(yàn)分布。這種方法的優(yōu)勢(shì)在于能將領(lǐng)域?qū)＜业闹R(shí)融入先驗(yàn)分布，并量化解的不確定性，自然地契合白盒模型。然而，對(duì)于參數(shù)缺乏明確機(jī)制含義的黑盒模型，貝葉斯推理往往難以錨定有意義的生物學(xué)解釋。

確定性框架則將參數(shù)視為確定實(shí)體，通過(guò)最小化目標(biāo)函數(shù)來(lái)獲取參數(shù)解，該目標(biāo)函數(shù)由量化模型預(yù)測(cè)與觀察值偏差的數(shù)據(jù)保真項(xiàng)和引入先驗(yàn)約束的正則化項(xiàng)（regularization term）組成。雖然這種框架缺乏對(duì)解不確定性的量化，但由于其無(wú)需從分布中采樣，計(jì)算效率極高，且能很好地適應(yīng)黑盒和灰盒模型。近年來(lái)，兩者融合的趨勢(shì)愈發(fā)明顯。例如，利用變分推理捕捉潛在變量的不確定性，同時(shí)利用確定性神經(jīng)網(wǎng)絡(luò)的擬合能力來(lái)表征復(fù)雜的動(dòng)力學(xué)規(guī)則。

由于大腦由無(wú)數(shù)相互作用的組件組成，其逆問(wèn)題本質(zhì)上是一個(gè)高維且非線性的優(yōu)化問(wèn)題。目標(biāo)函數(shù)極易陷入局部最小值，這意味著不同的初始值可能導(dǎo)致完全不同的解，而這些解都能很好地?cái)M合觀測(cè)數(shù)據(jù)。這種解的多義性會(huì)導(dǎo)致神經(jīng)機(jī)制解釋的歧義，使得基于模型的生理推論變得不可靠。為了確保解的可信度，必須引入“適定性（well-posedness）”作為建模的前提。

在代理腦的逆問(wèn)題中，通?？紤]三個(gè)關(guān)鍵標(biāo)準(zhǔn)。首先是存在性（Existence）：對(duì)于給定觀測(cè)數(shù)據(jù)，至少存在一組生物學(xué)合理的潛變量能使模型預(yù)測(cè)匹配觀測(cè)值。其次是唯一性（Uniqueness）：對(duì)于特定的系統(tǒng)和數(shù)據(jù)，應(yīng)獲得唯一的代理腦模型。最后是穩(wěn)定性（Stability）：當(dāng)觀測(cè)數(shù)據(jù)受到自然生理波動(dòng)干擾時(shí)，模型的解僅應(yīng)發(fā)生微小變化。雖然在黑盒模型中，過(guò)度參數(shù)化的網(wǎng)絡(luò)可能導(dǎo)致多組等效解，使得唯一性要求不再適用，但我們?nèi)云谕錆摽臻g表示能夠保持穩(wěn)定，這表明模型找到了表征神經(jīng)動(dòng)力學(xué)的合適嵌入空間。

圖 3. 求解逆問(wèn)題。（a）建模；（b）用正則化來(lái)學(xué)習(xí)。將目標(biāo)屬性的先驗(yàn)作為正則化加入到損失函數(shù)中，優(yōu)化器解決了學(xué)習(xí)問(wèn)題。（c）非唯一性的案例。優(yōu)化算法中的不同初始條件生成類似模型表現(xiàn)的不同解。（d）不穩(wěn)定性的案例。通過(guò)奇異值分解和擾動(dòng)測(cè)試的穩(wěn)定性分析。

正則化：緩解病態(tài)問(wèn)題的核心策略

鑒于神經(jīng)動(dòng)力學(xué)的強(qiáng)非線性、多尺度耦合屬性以及觀測(cè)數(shù)據(jù)固有的噪聲，上述適定性條件往往難以滿足，導(dǎo)致逆問(wèn)題表現(xiàn)為“病態(tài)（ill-posed）”。正則化理論（Regularization theory）是解決此類問(wèn)題的關(guān)鍵，其核心思想是通過(guò)添加正則化項(xiàng)來(lái)引入先驗(yàn)約束，預(yù)設(shè)參數(shù)解或模型行為的特征。這能夠窄化解空間，使解符合生理特征并在噪聲擾動(dòng)下保持穩(wěn)定。

正則化主要通過(guò)兩種方式發(fā)揮作用。一種是數(shù)學(xué)先驗(yàn)正則化，如稀疏性約束（Sparsity Constraints）促使模型保留關(guān)鍵連接，或能量約束（Energy Constraints）限制參數(shù)幅度以防止過(guò)擬合。另一種是基于神經(jīng)科學(xué)知識(shí)的先驗(yàn)正則化，將解剖結(jié)構(gòu)、生理機(jī)制等編碼進(jìn)正則化項(xiàng)。例如，整合從DTI推導(dǎo)出的結(jié)構(gòu)先驗(yàn)，確保潛表征與大腦的物理結(jié)構(gòu)對(duì)齊。雖然這些策略只是緩解病態(tài)問(wèn)題而非徹底消除，但工程實(shí)踐證明，當(dāng)正則化策略與問(wèn)題特征深度結(jié)合時(shí)，能顯著提高逆問(wèn)題的解的可信度。

雙重視角下的評(píng)估：數(shù)學(xué)精確與生物一致

訓(xùn)練完成后，評(píng)估模型是否捕捉到了神經(jīng)系統(tǒng)的核心動(dòng)力學(xué)，以及是否提供了可解釋的表征，是至關(guān)重要的一步，通常有數(shù)學(xué)和神經(jīng)科學(xué)兩個(gè)互補(bǔ)的視角。數(shù)學(xué)視角側(cè)重于數(shù)據(jù)相似性的評(píng)估。常用的有點(diǎn)對(duì)點(diǎn)誤差（如均方誤差 MSE），以及分析數(shù)據(jù)分布全局屬性的概率方法（如KL散度或Wasserstein距離）。此外，由于大腦被認(rèn)為運(yùn)行在“混沌邊緣”，衡量系統(tǒng)對(duì)初始條件敏感性的最大李雅普諾夫指數(shù)，以及反映吸引子幾何復(fù)雜性的分形維度，是驗(yàn)證模型是否復(fù)制了大腦關(guān)鍵動(dòng)力學(xué)特征的重要指標(biāo)。神經(jīng)科學(xué)視角則關(guān)注功能的一致性。評(píng)估框架會(huì)考慮時(shí)空激活模式的相似度、光譜相似度以及功能連接的相似性。在實(shí)際應(yīng)用中，代理腦還需要通過(guò)任務(wù)特定的指標(biāo)進(jìn)行驗(yàn)證。例如，在癲癇定位中，通過(guò)比較模型預(yù)測(cè)的癲癇灶與臨床切除區(qū)域的重合度來(lái)評(píng)估準(zhǔn)確性。這種數(shù)學(xué)忠實(shí)度與神經(jīng)科學(xué)實(shí)用性的雙重評(píng)估，為完善代理腦模型提供了堅(jiān)實(shí)基礎(chǔ)。

圖 4. 從數(shù)學(xué)和神經(jīng)科學(xué)的視角進(jìn)行模型評(píng)估。（a-c）數(shù)學(xué)視角。通過(guò)隨機(jī)Jansen-Rit模型生成合成數(shù)據(jù)。上下兩行對(duì)應(yīng)于來(lái)自同一底層系統(tǒng)的兩個(gè)代理大腦，在三個(gè)表征空間中進(jìn)行評(píng)估：(a)狀態(tài)空間軌跡（均方根誤差，RMSE）；(b)概率分布（平均Kullback-Leibler散度）；(c)相空間動(dòng)力學(xué)（相對(duì)相關(guān)維數(shù)）。代理腦1實(shí)現(xiàn)了較低的RMSE，而代理腦2在概率和拓?fù)涠攘糠矫姹憩F(xiàn)更好。（d-h）神經(jīng)科學(xué)觀點(diǎn)。指標(biāo)包括(d)時(shí)空相似性，(e)譜相似性，(f) FC相似性，(g)行為解碼準(zhǔn)確性，(h)預(yù)測(cè)病變結(jié)果的臨床療效。d和e側(cè)重于替代大腦復(fù)制生物信號(hào)特征的能力，g和h評(píng)估其支持下游任務(wù)的能力。黃色表示真實(shí)的大腦數(shù)據(jù)；黑色表示代理腦的輸出。

應(yīng)用前景：模擬平臺(tái)與精準(zhǔn)干預(yù)

代理腦作為一個(gè)能夠產(chǎn)生類腦動(dòng)力學(xué)和生理行為的神經(jīng)動(dòng)力學(xué)系統(tǒng)，為基礎(chǔ)研究和臨床轉(zhuǎn)化提供了廣闊機(jī)遇。代理腦可以作為強(qiáng)大的模擬平臺(tái)，進(jìn)行傳統(tǒng)濕實(shí)驗(yàn)中受限于成本、倫理或技術(shù)難度的“假如（what if）”反事實(shí)測(cè)試。一個(gè)典型的應(yīng)用是“虛擬癲癇患者（Virtual Epileptic Patient）”，這是一個(gè)個(gè)性化的全腦模擬平臺(tái)，能夠預(yù)測(cè)手術(shù)干預(yù)結(jié)果并優(yōu)化方案，其表現(xiàn)潛力已顯示出超越傳統(tǒng)基于經(jīng)驗(yàn)規(guī)劃的趨勢(shì)。

在神經(jīng)刺激領(lǐng)域，代理腦正成為閉環(huán)神經(jīng)刺激（closed-loop neurostimulation）的重要指南，協(xié)助解決“在哪里刺激、何時(shí)刺激、如何刺激”這三個(gè)核心問(wèn)題?；趥€(gè)體的功能腦網(wǎng)絡(luò)，代理腦可以幫助識(shí)別最可能對(duì)刺激產(chǎn)生反應(yīng)的區(qū)域。同時(shí)，模型可以實(shí)時(shí)監(jiān)測(cè)特定的頻率模式或低維表征，作為觸發(fā)神經(jīng)刺激的生物標(biāo)志物，確保干預(yù)的及時(shí)性和有效性。

圖 5. 代理腦的應(yīng)用。(a)腦系統(tǒng)分析。代理允許直接檢查基本系統(tǒng)屬性，包括相位勘探、神經(jīng)流形幾何和網(wǎng)絡(luò)動(dòng)力學(xué)剖面。(b)代理作為仿真平臺(tái)。作為一個(gè)硅測(cè)試平臺(tái)，它支持神經(jīng)動(dòng)力學(xué)預(yù)測(cè)、虛擬手術(shù)（例如，定位癲癇灶以幫助臨床計(jì)劃）和反事實(shí)實(shí)驗(yàn)，如干擾連接權(quán)重或興奮抑制比，以探測(cè)它們的功能角色。(c)替代引導(dǎo)神經(jīng)刺激。對(duì)于非侵入性刺激（如TMS，tES）和侵入性刺激（如DBS，SEEG），代理腦有助于確定刺激的位置，何時(shí)靶向以及如何優(yōu)化刺激參數(shù)。

未來(lái)展望：挑戰(zhàn)與倫理

盡管前景光明，代理腦的發(fā)展仍面臨多重挑戰(zhàn)。首先是多尺度神經(jīng)數(shù)據(jù)的整合，如何將微觀的脈沖序列與宏觀的fMRI信號(hào)在保持機(jī)制忠實(shí)度的前提下對(duì)齊，仍是一個(gè)未決的問(wèn)題。其次是模型結(jié)構(gòu)中表達(dá)能力與可解釋性的平衡：過(guò)度表達(dá)的模型可能導(dǎo)致生物學(xué)上的黑盒化，而過(guò)度約束的模型可能無(wú)法捕捉大腦的復(fù)雜性。

此外，從通用模型向個(gè)體化模型的演進(jìn)是實(shí)現(xiàn)精準(zhǔn)醫(yī)學(xué)的關(guān)鍵。最后，倫理考量不容忽視。由于代理腦依賴敏感的神經(jīng)和臨床數(shù)據(jù)，必須建立嚴(yán)格的數(shù)據(jù)安全框架和治理結(jié)構(gòu)，并警惕訓(xùn)練數(shù)據(jù)中可能存在的偏見(jiàn)，以確保模型應(yīng)用的公平性和透明度。隨著跨學(xué)科協(xié)作的深入，代理腦模型將不僅加深我們對(duì)大腦動(dòng)力學(xué)的理解，還將通過(guò)精準(zhǔn)醫(yī)療變革神經(jīng)系統(tǒng)疾病的診療。

計(jì)算神經(jīng)科學(xué)第三季讀書(shū)會(huì)

從單個(gè)神經(jīng)元的放電到全腦范圍的意識(shí)涌現(xiàn)，理解智能的本質(zhì)與演化始終是一個(gè)關(guān)于尺度的問(wèn)題。更值得深思的是，無(wú)論是微觀的突觸可塑性、介觀的皮層模塊自組織，還是宏觀的全局信息廣播，不同尺度的動(dòng)力學(xué)過(guò)程都在共同塑造著認(rèn)知與意識(shí)。這說(shuō)明，對(duì)心智的研究從最初就必須直面一個(gè)核心挑戰(zhàn)：局部的神經(jīng)活動(dòng)如何整合為統(tǒng)一的體驗(yàn)？局域的網(wǎng)絡(luò)連接又如何支撐靈活的智能行為？

繼「」與「」讀書(shū)會(huì)后，集智俱樂(lè)部聯(lián)合來(lái)自數(shù)學(xué)、物理學(xué)、生物學(xué)、神經(jīng)科學(xué)和計(jì)算機(jī)的一線研究者共同發(fā)起，跨越微觀、介觀與宏觀的視角，探索意識(shí)與智能的跨尺度計(jì)算、演化與涌現(xiàn)。重點(diǎn)探討物理規(guī)律與人工智能如何幫助我們認(rèn)識(shí)神經(jīng)動(dòng)力學(xué)，以及神經(jīng)活動(dòng)跨尺度的計(jì)算與演化如何構(gòu)建微觀與宏觀、結(jié)構(gòu)與功能之間的橋梁。

詳情請(qǐng)見(jiàn)：

1.

2.

3.

4.

5.

6.

7.