7,129
个编辑
更改
跳到导航
跳到搜索
第66行：
第66行： − + + 第73行：
第74行： + + − − − −
→编辑推荐
==编辑推荐==
==编辑推荐==
===集智课程===
===集智课程===
====[神经动力学模型读书会]====
====[https://campus.swarma.org/course/4370 神经动力学模型读书会]====
人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统。近年来，脱胎于系统科学的动力学建模方法，逐渐被广泛地应用于神经科学研究中，其作为一种绝佳的数理工具，愈发地受到研究人员的重视，在类脑计算、脑认知原理解析和脑重大疾病致病机理探索等具体方面，发挥着不可替代的作用。该读书会主要围绕神经科学中基于多尺度建立动力学模型的方式方法，以及其在脑疾病病理探索，脑认知原理解析方面的具体应用进行讨论。
人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统。近年来，脱胎于系统科学的动力学建模方法，逐渐被广泛地应用于神经科学研究中，其作为一种绝佳的数理工具，愈发地受到研究人员的重视，在类脑计算、脑认知原理解析和脑重大疾病致病机理探索等具体方面，发挥着不可替代的作用。该读书会主要围绕神经科学中基于多尺度建立动力学模型的方式方法，以及其在脑疾病病理探索，脑认知原理解析方面的具体应用进行讨论。
* 大脑的多尺度动力学建模
* 大脑的多尺度动力学建模
大脑的动力学建模可以涵盖不同的时间和空间尺度。例如，微观尺度上神经元层面的神经元细胞膜模型（Hodgkin-Huxley），它描述神经元动作电位的启动和传播；宏观尺度上群体神经元层面的动力学模型（NeuralMassModel）和神经场模型（NeuralFieldModel）等，它描述脑区不同群体神经元的动态演化。上述模型均为平均场模型，可进一步拓展为基于结构耦合的全脑动力学模型，它描述跨脑区之间的信息传递。
大脑的动力学建模可以涵盖不同的时间和空间尺度。例如，微观尺度上神经元层面的神经元细胞膜模型（Hodgkin-Huxley），它描述神经元动作电位的启动和传播；宏观尺度上群体神经元层面的动力学模型（NeuralMassModel）和神经场模型（NeuralFieldModel）等，它描述脑区不同群体神经元的动态演化。上述模型均为平均场模型，可进一步拓展为基于结构耦合的全脑动力学模型，它描述跨脑区之间的信息传递。
* 动力学模型和机器学习模型的融合
* 动力学模型和机器学习模型的融合
传统动力学模型的表达能力有限，难以准确描述具有个体特异性的大脑动力学过程。将动力学模型和机器学习模型进行融合从而可以得到针对特定个体数据的动力学模型，如Physics-informed neural network以及NeuralODE模型。这样的模型同时具有类似于传统动力学模型的可解释性和源于机器学习的较强表达能力。
传统动力学模型的表达能力有限，难以准确描述具有个体特异性的大脑动力学过程。将动力学模型和机器学习模型进行融合从而可以得到针对特定个体数据的动力学模型，如Physics-informed neural network以及NeuralODE模型。这样的模型同时具有类似于传统动力学模型的可解释性和源于机器学习的较强表达能力。
* 动力学模型在脑疾病、脑认知、类脑计算中的应用
* 动力学模型在脑疾病、脑认知、类脑计算中的应用
广义来说，神经动力学模型可提供一种可控的方式（调整刺激参数和靶点等）激励、抑制或中断大脑网络动态变化，从而实现疾病治疗或脑功能增强。在癫痫研究中，神经动力学模型或可更早地告诉我们大脑已经进入临界状态，从而更好地预测癫痫发作，并发现易受影响的大脑区域，使用药物、神经调控或手术等方法，降低癫痫发作的可能性或者治愈癫痫。已有的工作通过平均场模型揭示了知觉决策过程动力学的机制，还进一步将网络模型拓展到多任务情形，精妙地展示了神经系统通过动力学行为执行认知功能的神经计算机制。同时，神经动力学模型可以为新一代人工神经网络的算法提供指导思想，也可以为下一代专用和通用神经形态芯片提供计算框架。例如当前的一个研究热点为如何利用生物神经系统的实验概念和最新发现，来发展下一代的基于脉冲计算的人工智能。
广义来说，神经动力学模型可提供一种可控的方式（调整刺激参数和靶点等）激励、抑制或中断大脑网络动态变化，从而实现疾病治疗或脑功能增强。在癫痫研究中，神经动力学模型或可更早地告诉我们大脑已经进入临界状态，从而更好地预测癫痫发作，并发现易受影响的大脑区域，使用药物、神经调控或手术等方法，降低癫痫发作的可能性或者治愈癫痫。已有的工作通过平均场模型揭示了知觉决策过程动力学的机制，还进一步将网络模型拓展到多任务情形，精妙地展示了神经系统通过动力学行为执行认知功能的神经计算机制。同时，神经动力学模型可以为新一代人工神经网络的算法提供指导思想，也可以为下一代专用和通用神经形态芯片提供计算框架。例如当前的一个研究热点为如何利用生物神经系统的实验概念和最新发现，来发展下一代的基于脉冲计算的人工智能。