當(dāng)前位置：首頁(yè) > 資訊 > 社區(qū)動(dòng)態(tài) >
?人腦能夠自組織地協(xié)同數(shù)百項(xiàng)認(rèn)知功能，靈活適應(yīng)復(fù)雜多變的環(huán)境。如何整合多尺度生物可塑性法則來構(gòu)建具有生物合理性和計(jì)算高效性的神經(jīng)網(wǎng)絡(luò)模型是類腦人工智能和計(jì)算神經(jīng)科學(xué)領(lǐng)域共同關(guān)注和面臨的重要挑戰(zhàn)。
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組歷時(shí)9年，打造全脈沖神經(jīng)網(wǎng)絡(luò)的類腦認(rèn)知智能引擎(Brain-inspired Cognitive Intelligence Engine，簡(jiǎn)寫為BrainCog，中文名“智脈”)，并進(jìn)行全面開源開放，助力自然智能的計(jì)算本質(zhì)探索和新一代人工智能的發(fā)展。
?
目前，智脈已正式開源部署至OpenI啟智社區(qū)，歡迎全球的研究人員共同努力、貢獻(xiàn)智慧，打造面向未來的人工智能，探索智能的計(jì)算本質(zhì)。
歡迎大家訪問智脈開源社區(qū)主頁(yè)鏈接：
https://openi.pcl.ac.cn/BrainCogLab/braincog
?
智脈詳細(xì)的使用文檔也可訪問以下鏈接：
http://www.brain-cog.network/docs/
脈沖神經(jīng)網(wǎng)絡(luò)（Spiking Neural Network, SNN）作為第三代神經(jīng)網(wǎng)絡(luò)，從編碼方式、學(xué)習(xí)法則、信息傳遞和處理機(jī)制等多個(gè)角度模擬了生物腦，具有更強(qiáng)的生物可解釋性，更加適合建模大腦的各項(xiàng)認(rèn)知功能。
另一方面，由于脈沖序列的稀疏表征，也使得脈沖神經(jīng)網(wǎng)絡(luò)具有潛在的低能耗特征。現(xiàn)有的脈沖神經(jīng)網(wǎng)絡(luò)平臺(tái)有的涉及到精細(xì)的生物神經(jīng)元模型，大規(guī)模神經(jīng)網(wǎng)絡(luò)模擬，神經(jīng)網(wǎng)絡(luò)動(dòng)力學(xué)等較為細(xì)節(jié)的腦認(rèn)知功能和結(jié)構(gòu)模擬，有的關(guān)注于生物突觸可塑性啟發(fā)的脈沖神經(jīng)網(wǎng)絡(luò)建模，有的從深度學(xué)習(xí)領(lǐng)域借鑒經(jīng)驗(yàn)來提升深度脈沖神經(jīng)網(wǎng)絡(luò)的性能。
已有框架并沒有能夠更好地整合共性，同時(shí)具備面向人工智能的高效學(xué)習(xí)與決策，以及對(duì)腦認(rèn)知功能建模和腦結(jié)構(gòu)模擬的能力。
而中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組認(rèn)為，探索智能的計(jì)算本質(zhì)與構(gòu)建類腦人工智能的科學(xué)探索應(yīng)深度融合，因此構(gòu)建了類腦認(rèn)知智能引擎“智脈”。
智脈致力于通過幾十年不懈的努力，探索智能的計(jì)算本質(zhì)，為人工智能學(xué)者和創(chuàng)新者提供“智能的脈絡(luò)”，為未來AI打造“智慧的經(jīng)脈”。
類腦認(rèn)知智能引擎(BrainCog)“智脈”以多尺度生物可塑性原理為基礎(chǔ)，支持全脈沖神經(jīng)網(wǎng)絡(luò)建模，具備腦啟發(fā)的人工智能模型以及腦功能和結(jié)構(gòu)模擬能力。智脈為類腦人工智能和計(jì)算神經(jīng)科學(xué)的研究者提供了一套完整的、系統(tǒng)化的接口組件。
智脈涵蓋了不同精細(xì)程度的神經(jīng)元模型、多種脈沖編碼方式、豐富的突觸可塑性學(xué)習(xí)模型，以這些基本組件為基礎(chǔ)，實(shí)現(xiàn)了不同腦區(qū)及神經(jīng)環(huán)路，并在此基礎(chǔ)上實(shí)現(xiàn)了不同類型的認(rèn)知功能、對(duì)多個(gè)物種的生物腦進(jìn)行了不同尺度的模擬。
智脈分別從類腦人工智能計(jì)算模型（目前發(fā)布約20個(gè)算法模型及源代碼）、腦結(jié)構(gòu)和功能模擬（覆蓋鼠腦、猴腦、人腦模擬）方面提供了相當(dāng)數(shù)量的應(yīng)用案例，這為研發(fā)基于脈沖神經(jīng)網(wǎng)絡(luò)的人工智能和計(jì)算神經(jīng)科學(xué)研究提供了強(qiáng)有力的基礎(chǔ)設(shè)施。
智脈整合不同精細(xì)程度的神經(jīng)元計(jì)算模型（IF、LIF、H-H、多房室神經(jīng)元等）、豐富的類腦學(xué)習(xí)與可塑性法則（Hebb、STP、STDP、基于代理梯度的反向傳播等）、不同類型的神經(jīng)網(wǎng)絡(luò)連接模式與編碼方式（頻率、時(shí)序、群體、量子編碼等）；
基于脈沖神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)感知和學(xué)習(xí)、決策、運(yùn)動(dòng)控制、知識(shí)表征和推理、社會(huì)認(rèn)知等五大類面向人工智能應(yīng)用的智能模型，可以映射到28個(gè)關(guān)鍵功能性腦區(qū)；
類腦學(xué)習(xí)機(jī)制：結(jié)合局部和全局可塑性實(shí)現(xiàn)了更具生物合理性的類腦可塑性前饋反饋融合模型。基于BrainCog實(shí)現(xiàn)的具有生物合理性的時(shí)間空間調(diào)節(jié)算法，理論上與相同結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)相比，只用約3%的能量就能達(dá)到有相當(dāng)競(jìng)爭(zhēng)力的分類精度。基于BrainCog構(gòu)建的ANN-SNN轉(zhuǎn)換模型充分結(jié)合了反向傳播算法與脈沖神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，使SNN能以其他算法1/10和1/50的仿真時(shí)間幾乎無損地完成圖像分類和目標(biāo)檢測(cè)任務(wù)。由BrainCog支持的基于STDP算法的無監(jiān)督脈沖神經(jīng)網(wǎng)絡(luò)模型，借由具有生物可解釋性的優(yōu)化算法和多種自適應(yīng)機(jī)制，達(dá)到基于STDP無監(jiān)督算法中的目前最好性能，同時(shí)實(shí)現(xiàn)了在極端少量樣本下相同模型結(jié)構(gòu)下優(yōu)于ANN 4%-5%的性能；
社會(huì)認(rèn)知脈沖神經(jīng)網(wǎng)絡(luò)模型賦能人形機(jī)器人通過鏡像測(cè)試自我感知實(shí)驗(yàn)，使智能體幫助其他智能體避免潛在風(fēng)險(xiǎn)，表現(xiàn)出初步類道德行為；
對(duì)不同類型哺乳動(dòng)物腦進(jìn)行多尺度模擬，構(gòu)建了包含不同類型點(diǎn)神經(jīng)元的鼠腦模擬器、猴腦模擬器(12.1億神經(jīng)元、1.3萬億突觸，1/5猴腦規(guī)模)、人腦模擬器(規(guī)模達(dá)8.6億脈沖神經(jīng)元，2.5 萬億突觸，1/100人腦規(guī)模)；
基于智脈BrainCog的創(chuàng)生(BORN)人工智能引擎展示基于情感識(shí)別的樂曲創(chuàng)作與演奏能力。
?
智脈(BrainCog)允許研究者通過調(diào)用并連接基礎(chǔ)模塊，自由地設(shè)計(jì)所需要的網(wǎng)絡(luò)以及相應(yīng)的功能，為實(shí)現(xiàn)專用、通用的類腦人工智能模型提供基礎(chǔ)支持。在類腦人工智能方面，智脈協(xié)同多個(gè)腦區(qū)形成不同的神經(jīng)環(huán)路，初步實(shí)現(xiàn)了五大類認(rèn)知功能：感知和學(xué)習(xí)、知識(shí)表征和推理、決策、運(yùn)動(dòng)控制、社會(huì)認(rèn)知(如心里揣測(cè)、認(rèn)知與情感共情)，發(fā)布約20個(gè)基于脈沖神經(jīng)網(wǎng)絡(luò)的算法模型。這些組件共同形成了與哺乳動(dòng)物大腦中28個(gè)腦區(qū)相對(duì)應(yīng)的神經(jīng)環(huán)路。
目前，類腦脈沖神經(jīng)網(wǎng)絡(luò)領(lǐng)域缺乏一個(gè)公開、公平的平臺(tái)， 在同一環(huán)境下評(píng)估算法的性能。智脈集成了豐富的高性能、易修改的SNN模型，并對(duì)其在多個(gè)靜態(tài)數(shù)據(jù)集、神經(jīng)形態(tài)數(shù)據(jù)集（如DVSGesture, DVSCIFAR10, NCALTECH101, ES-ImageNet等）、以及N-Omniglot神經(jīng)形態(tài)小樣本數(shù)據(jù)集上進(jìn)行了基準(zhǔn)測(cè)試。
用戶可以在同一環(huán)境中評(píng)估自己的算法，并與其他方法進(jìn)行比較。可以使用BrainCog提供的組件輕松實(shí)現(xiàn)自己的算法， 并與其他最先進(jìn)的方法進(jìn)行公平比較。
?
智脈支持多種有監(jiān)督和無監(jiān)督的訓(xùn)練法則，如基于突觸可塑性的STDP，基于代理梯度的反向傳播算法，和基于ANN到SNN的轉(zhuǎn)換算法。同時(shí)在小樣本以及噪聲環(huán)境下取得突出的適應(yīng)性。該引擎還提供了仿照人類進(jìn)行概念學(xué)習(xí)的多感覺融合框架。
（1）基于BrainCog完成的前饋連接與反饋連接結(jié)合的SNN，通過反饋連接引入全局的誤差信號(hào)，提升了基于局部?jī)?yōu)化法則的脈沖神經(jīng)網(wǎng)絡(luò)在深層網(wǎng)絡(luò)結(jié)構(gòu)上的性能與穩(wěn)定性，達(dá)到了與基于反向傳播算法訓(xùn)練相抗衡的性能。
（2）基于BrainCog實(shí)現(xiàn)的具有生物合理性的時(shí)間空間調(diào)節(jié)算法，能夠訓(xùn)練深層的SNN模型，并在MNIST，CIFAR10，ImageNet等圖像分類任務(wù)上，以及DVS-CIFAR10，DVS-Gesture等事件分類任務(wù)上， 與其他的SNN相比， 有先進(jìn)性能的同時(shí)，展現(xiàn)出明顯的低能耗。
（3）基于BrainCog構(gòu)建的ANN-SNN轉(zhuǎn)換模型充分結(jié)合了反向傳播算法與脈沖神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，使SNN能以更少的能耗和更高的效率在圖像分類、目標(biāo)檢測(cè)和語義分割等任務(wù)中完成同ANN相媲美的性能。
（4）使用BrainCog構(gòu)建的基于STDP算法的無監(jiān)督脈沖神經(jīng)網(wǎng)絡(luò)模型，借由具有生物可解釋性的優(yōu)化算法和多種自適應(yīng)機(jī)制，極大提升了網(wǎng)絡(luò)性能與效率。實(shí)現(xiàn)了在少量樣本下相同模型結(jié)構(gòu)下優(yōu)于ANN的性能。
智脈提供了多腦區(qū)協(xié)同的決策脈沖神經(jīng)網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)脈沖神經(jīng)網(wǎng)絡(luò)、以及自然啟發(fā)的無人機(jī)集群自組織決策脈沖神經(jīng)網(wǎng)絡(luò)。
（1）基于BrainCog 實(shí)現(xiàn)的具有生物合理性的類腦決策模型在Flappy bird游戲上實(shí)現(xiàn)了類人的學(xué)習(xí)能力，并具備支持無人機(jī)在線決策的能力，能夠?qū)崿F(xiàn)類果蠅的線性和非線性決策以及反轉(zhuǎn)學(xué)習(xí)。
（2）基于BrainCog構(gòu)建的Spiking-DQN模型實(shí)現(xiàn)了深度脈沖神經(jīng)網(wǎng)路和強(qiáng)化學(xué)習(xí)的結(jié)合，在Atari游戲上的得分超過傳統(tǒng)DQN模型。
（3）基于BrainCog實(shí)現(xiàn)的獎(jiǎng)勵(lì)調(diào)控類腦脈沖神經(jīng)網(wǎng)絡(luò)可以賦能無人機(jī)集群使其實(shí)現(xiàn)基于自然啟發(fā)的自組織避障。
?
智脈初步實(shí)現(xiàn)了利用脈沖神經(jīng)網(wǎng)絡(luò)控制人形機(jī)器人運(yùn)動(dòng)。受大腦運(yùn)動(dòng)控制機(jī)制的啟發(fā)，智脈構(gòu)建了包括前運(yùn)動(dòng)皮層（PMC），輔助運(yùn)動(dòng)區(qū)（SMA）、基底神經(jīng)節(jié)和小腦功能的多腦區(qū)協(xié)同機(jī)器人運(yùn)動(dòng)脈沖神經(jīng)網(wǎng)絡(luò)模型，并應(yīng)用于人形機(jī)器人彈奏鋼琴。
?
智脈通過融合多神經(jīng)可塑性和群體編碼機(jī)制進(jìn)行知識(shí)表征和推理。利用類腦的音樂記憶和風(fēng)格創(chuàng)作模型實(shí)現(xiàn)了音符序列的知識(shí)表征和記憶，可以生成具有不同風(fēng)格的樂曲。序列生成SNN實(shí)現(xiàn)了對(duì)符號(hào)序列的表征與記憶，并可根據(jù)不同的規(guī)則對(duì)符號(hào)序列進(jìn)行重構(gòu)。常識(shí)表征SNN將常識(shí)知識(shí)庫(kù)編碼進(jìn)SNN，可據(jù)此網(wǎng)絡(luò)完成概念化知識(shí)生成后續(xù)認(rèn)知任務(wù)。因果推理SNN將因果圖編碼為脈沖神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了演繹推理、溯因推理等認(rèn)知任務(wù)。
智脈支持以人形機(jī)器人為載體的自我建模、心理揣測(cè)、認(rèn)知與情感共情等高等認(rèn)知功能，實(shí)現(xiàn)了一種具有生物合理性的腦啟發(fā)的社會(huì)認(rèn)知脈沖神經(jīng)網(wǎng)絡(luò)模型。該模型使得智能體初步地具備了理解自我和他人的能力，能夠通過多機(jī)器人鏡像自我識(shí)別測(cè)試并且降低了智能體交互過程中的安全風(fēng)險(xiǎn)。前者是社會(huì)認(rèn)知中自我感知的經(jīng)典實(shí)驗(yàn)，后者則是社會(huì)認(rèn)知中思維揣測(cè)實(shí)驗(yàn)的變體。
?
智脈可以支持不同尺度的腦結(jié)構(gòu)與認(rèn)知功能模擬，從而為在局部和全腦尺度計(jì)算驗(yàn)證科學(xué)猜想和科學(xué)解釋提供強(qiáng)有力的支持。
BrainCog實(shí)現(xiàn)了果蠅線性、非線性決策和PFC工作記憶功能的模擬。
在果蠅線性和非線性決策模擬中，BrainCog驗(yàn)證了非線性抉擇環(huán)路在兩難抉擇下的贏者通吃行為，得到了與果蠅生物學(xué)實(shí)驗(yàn)一致的結(jié)論，相應(yīng)算法還應(yīng)用到了無人機(jī)平臺(tái)使其獲得類腦決策能力。
用BrainCog實(shí)現(xiàn)的PFC網(wǎng)絡(luò)，在不改變網(wǎng)絡(luò)結(jié)構(gòu)的情況下，使用人類神經(jīng)元代替嚙齒類動(dòng)物神經(jīng)元可以顯著提高圖像輸出的準(zhǔn)確性和完整性，這證明了生物腦結(jié)構(gòu)的演化不僅僅體現(xiàn)在神經(jīng)元和腦區(qū)尺度連接結(jié)構(gòu)的演化，還體現(xiàn)在神經(jīng)元這個(gè)基本計(jì)算單元的信息處理能力方面的優(yōu)化。
智脈可以模擬不同規(guī)模的生物腦結(jié)構(gòu)，從微環(huán)路到皮質(zhì)柱到全腦結(jié)構(gòu)模擬。從解剖到成像的多尺度連接數(shù)據(jù)使鼠腦，猴腦和人腦建模更具有生物合理性。
?
人工智能研究者可以基于“智脈(BrainCog)”平臺(tái)提供的計(jì)算與認(rèn)知組件實(shí)現(xiàn)專用和通用的人工智能模型。
為了進(jìn)一步說明和驗(yàn)證BrainCog支持人工智能引擎研發(fā)的能力，接下來介紹基于BrainCog框架開發(fā)的致力于獲得通用智能的脈沖神經(jīng)網(wǎng)絡(luò)人工智能引擎—創(chuàng)生(BORN)，并展示了BORN引擎實(shí)現(xiàn)多項(xiàng)認(rèn)知功能協(xié)同的能力。
?
創(chuàng)生(BORN)的高層架構(gòu)是整合時(shí)空可塑性，使人工智能具備感知與學(xué)習(xí)、決策、運(yùn)動(dòng)控制、工作記憶、長(zhǎng)時(shí)記憶、注意力和意識(shí)、情感、知識(shí)表征和推理、社會(huì)認(rèn)知等大腦認(rèn)知功能。空間可塑性結(jié)合了微觀、介觀和宏觀尺度的神經(jīng)可塑性原理。時(shí)間可塑性考慮了處于不同時(shí)間尺度的學(xué)習(xí)、發(fā)育和演化可塑性。BORN的學(xué)習(xí)框架包括多任務(wù)連續(xù)學(xué)習(xí)、小樣本學(xué)習(xí)、多模態(tài)概念學(xué)習(xí)、在線學(xué)習(xí)、終身學(xué)習(xí)、示教學(xué)習(xí)、遷移學(xué)習(xí)等，并致力于在不久的將來實(shí)現(xiàn)不同學(xué)習(xí)模型的深度融合。
為了展示BORN的能力和原理，研究組提供了一個(gè)相對(duì)復(fù)雜的依賴于情感的人形機(jī)器人樂曲創(chuàng)作與演奏應(yīng)用。該應(yīng)用程序需要人形機(jī)器人根據(jù)情感識(shí)別來進(jìn)行音樂創(chuàng)作和演奏。該應(yīng)用要求BORN提供視覺情感識(shí)別、序列學(xué)習(xí)與生成、知識(shí)表征與推理、運(yùn)動(dòng)控制等認(rèn)知功能。基于這些功能，BrainCog支持人形機(jī)器人實(shí)現(xiàn)了視覺（情感）識(shí)別、情感依賴的音樂創(chuàng)作模塊和人形機(jī)器人樂曲演奏。
?
類腦認(rèn)知智能研究組（BrainCog Lab）隸屬于中國(guó)科學(xué)院自動(dòng)化研究所，研究組成立于2013年，是從事類腦人工智能前沿理論和腦與智能交叉創(chuàng)新的研究團(tuán)隊(duì)。由腦圖譜與類腦智能實(shí)驗(yàn)室副主任曾毅研究員擔(dān)任團(tuán)隊(duì)負(fù)責(zé)人。
類腦認(rèn)知智能研究組近年來主要圍繞類腦脈沖神經(jīng)網(wǎng)絡(luò)模型與前沿技術(shù)探索為主要研究?jī)?nèi)容，特別是在類腦脈沖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)機(jī)理與模型、類腦可塑性理論體系、倫理道德的類腦自主學(xué)習(xí)模型等方面開展研究。
研究組研制的類腦認(rèn)知智能引擎“智脈（BrainCog）”致力于為新一代人工智能前沿探索打造基于脈沖神經(jīng)網(wǎng)絡(luò)的通用智能引擎，服務(wù)于人類與人工智能的和諧共生。
曾毅
中國(guó)科學(xué)院自動(dòng)化研究所研究員、類腦認(rèn)知智能研究組負(fù)責(zé)人、腦圖譜與類腦智能實(shí)驗(yàn)室副主任、人工智能倫理與治理研究中心主任；中國(guó)科學(xué)院大學(xué)崗位教授、博士生導(dǎo)師；中國(guó)人工智能學(xué)會(huì)心智計(jì)算專委會(huì)主任；國(guó)家新一代人工智能治理專委會(huì)委員；聯(lián)合國(guó)教科文組織人工智能倫理特設(shè)專家組專家。研究方向?yàn)椋侯惸X人工智能、人工智能倫理、治理與可持續(xù)發(fā)展。其中類腦人工智能研究專注于類腦認(rèn)知智能基礎(chǔ)理論以及類腦脈沖神經(jīng)網(wǎng)絡(luò)機(jī)理與模型研究，與此相關(guān)代表性成果發(fā)表在Cell出版社旗下期刊Patterns、iScience，Nature出版社旗下期刊Scientific Data, Scientific Reports, 與Science出版社旗下期刊Science Advances， IEEE Transactions以及國(guó)際會(huì)議IJCAI、AAAI等。
趙東城
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組助理研究員。研究方向?yàn)轭惸X脈沖神經(jīng)網(wǎng)絡(luò)、類腦深度神經(jīng)網(wǎng)絡(luò)。目前已在Scientific Data，Patterns，Neural Networks，Information Sciences，AAAI，IJCAI等發(fā)表論文多篇。
趙菲菲
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組副研究員。研究方向?yàn)轭惸X決策、發(fā)育及演化脈沖神經(jīng)網(wǎng)絡(luò)。目前已在Patterns、IEEE Transactions on Cognitive and Developmental Systems、Neural Computation、Scientific Reports、Cognitive Computation、Frontiers in Neuroscience等發(fā)表論文多篇。
申國(guó)斌
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2021級(jí)博士研究生。主要研究方向?yàn)轭惸X脈沖神經(jīng)網(wǎng)絡(luò)可塑性建模。目前已在Patterns，ACM ToMM等發(fā)表論文多篇。
董一廷
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2020級(jí)博士生。研究方向?yàn)轭惸X脈沖神經(jīng)網(wǎng)絡(luò)優(yōu)化方法。目前已在Scientific Data發(fā)表論文。
魯恩萌
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組研究工程師。主要研究方向?yàn)轭惸X具身認(rèn)知智能、類腦倫理道德決策等。目前已在AAAI、AI and Ethics、Cognitive Computation、Frontiers in Neurorobotics/Neuroscience/Computational Neuroscience等發(fā)表論文多篇。
張倩
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組副研究員，主要研究方向?yàn)橛洃洝⒁庾R(shí)的神經(jīng)計(jì)算模擬。目前已經(jīng)在Scientific Reports，F(xiàn)rontiers in System Neuroscience，Information Sciences等期刊上發(fā)表多篇論文。
孫胤乾
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2018級(jí)博士生。研究方向?yàn)轭惸X感知決策脈沖神經(jīng)網(wǎng)絡(luò)。目前已在iScience，F(xiàn)rontiers in Neuroscience上發(fā)表多篇論文。
梁倩
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組副研究員。研究方向?yàn)轭惸X脈沖神經(jīng)網(wǎng)絡(luò)，類腦音樂學(xué)習(xí)，類腦音樂創(chuàng)作。目前已在Frontiers等期刊上發(fā)表論文。
趙宇軒
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組副研究員。研究方向?yàn)轭惸X認(rèn)知計(jì)算建模、高等認(rèn)知功能模擬。目前已在iScience、Cognitive Computation 、Frontiers in Neuroscience、Frontiers in Neurorobotics等發(fā)表論文多篇。
趙卓雅
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2019級(jí)博士研究生。研究方向?yàn)轭惸X心理揣測(cè)模型。目前已在Patterns、Frontiers in Neuroscience發(fā)表過論文。
王寓巍
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組工程師。研究方向?yàn)轭惾烁拍顚W(xué)習(xí)計(jì)算模型、類腦脈沖神經(jīng)網(wǎng)絡(luò)。目前已在Cognitive Computation, Frontiers in Computational Neuroscience, Frontiers in Systems Neuroscience, IEEE SMC等發(fā)表論文多篇。
李楊
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2019級(jí)博士生。研究方向?yàn)轭惸X脈沖神經(jīng)網(wǎng)絡(luò)優(yōu)化方法。目前已在Scientific Data，Neural Networks，Information Sciences，F(xiàn)rontiers in Computational Neuroscience，IJCAI等發(fā)表論文多篇。
杜騁騁
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2021級(jí)碩士研究生，研究方向?yàn)轭惸X認(rèn)知計(jì)算，基于生物結(jié)論的大規(guī)模網(wǎng)絡(luò)建模實(shí)現(xiàn)高級(jí)認(rèn)知功能并為人工智能的發(fā)展提供啟示。
孔慶群
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組副研究員。研究方向?yàn)轭惸X視覺，連續(xù)學(xué)習(xí)等。目前已在 Neural Networks，F(xiàn)rontiers in Computational Neuroscience 等發(fā)表論文多篇。
阮子喆
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組研究工程師。研究方向?yàn)轭惸X認(rèn)知智能相關(guān)平臺(tái)構(gòu)建。
馮慧
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2018級(jí)碩博生。研究方向?yàn)榛诿}沖神經(jīng)網(wǎng)絡(luò)的類腦情感共情以及利他行為計(jì)算模型。目前已在Frontiers in Computational Neuroscience、Frontiers in Neurorobotics上發(fā)表論文多篇。
何翔
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2021級(jí)碩士生。研究方向?yàn)轭惸X脈沖神經(jīng)網(wǎng)絡(luò)模型與優(yōu)化方法。
王紀(jì)航
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2021級(jí)碩士研究生。主要研究方向?yàn)槊}沖神經(jīng)網(wǎng)絡(luò)中的隱私攻擊與隱私保護(hù)。
李金東
中國(guó)科學(xué)院自動(dòng)化研究所類腦認(rèn)知智能研究組2022級(jí)碩士研究生。主要研究方向?yàn)槊}沖神經(jīng)網(wǎng)絡(luò)硬件加速與神經(jīng)擬態(tài)硬件等。
類腦認(rèn)知智能引擎“智脈(BrainCog)”是支撐研發(fā)基于脈沖神經(jīng)網(wǎng)絡(luò)的人工智能引擎和腦模擬平臺(tái)的基礎(chǔ)設(shè)施。無論是通用人工智能還是全腦神經(jīng)計(jì)算模擬都是長(zhǎng)遠(yuǎn)的愿景并需要持之以恒的科學(xué)探索，更重要的是需要學(xué)術(shù)和產(chǎn)業(yè)界持續(xù)不斷地共同推進(jìn)。
我們期待與學(xué)術(shù)界、產(chǎn)業(yè)界共同推進(jìn)揭示智能本質(zhì)的研究，實(shí)現(xiàn)對(duì)人類和生態(tài)有益的通用人工智能。期待群智的貢獻(xiàn)，共同構(gòu)建人與人工智能和諧共生的未來。
開源主頁(yè)：
https://github.com/BrainCog-X/Brain-Cog
https://openi.pcl.ac.cn/BrainCogLab/braincog
BrainCog使用文檔
http://www.brain-cog.network/docs/
官方網(wǎng)站
http://www.braincog.ai/
Bilibili
https://space.bilibili.com/506818367
YouTube
https://www.youtube.com/@brain-inspiredcognitiveint1490/featured
公眾號(hào)
智能的本質(zhì)與未來（團(tuán)隊(duì)會(huì)定期在公眾號(hào)分享最新進(jìn)展）
微信號(hào)
BrainCog（添加微信號(hào)，會(huì)由小助手拉您進(jìn)入BrainCog研發(fā)者群）
Yang Li, Yiting Dong, Dongcheng Zhao, Yi Zeng. N-Omniglot: a Large-scale Neuromorphic Dataset for Spatio-temporal Sparse Few-shot Learning. Scientific Data, 9(746), Nature Publishing Group, 2022.
Feifei Zhao, Yi Zeng, Bing Han, Hongjian Fang, Zhuoya Zhao. Nature-inspired Self-organizing Collision Avoidance for Drone Swarm Based on Reward-modulated Spiking Neural Network, Patterns, Cell Press, 2022.
Dongcheng Zhao, Yi Zeng, Yang Li, Jihang Wang, Qian Zhang. Spiking CapsNet: A spiking neural network with a biologically plausible routing rule between capsules. Information Sciences, 2022.
Dongcheng Zhao, Yi Zeng, Yang Li. BackEISNN: A Deep Spiking Neural Network with Adaptive Self-Feedback and Balanced Excitatory-Inhibitory Neurons, Neural Networks, Volume 154, 68-77, 2022.
Guobin Shen, Dongcheng Zhao, Yi Zeng. Backpropagation with Biologically Plausible Spatiotemporal Adjustment for Training Deep Spiking Neural Networks. Patterns, Cell Press, 2022.
Zhuoya Zhao, Enmeng Lu, Feifei Zhao, Yi Zeng, and Yuxuan Zhao. A Brain-Inspired Theory of Mind Spiking Neural Network for Reducing Safety Risks of Other Agents. Frontiers in Neuroscience, 2022.
Yang Li, Yi Zeng. Efficient and Accurate Conversion of Spiking Neural Network with Burst Spikes. Proceedings of the 31st International Joint Conferences on Artificial Intelligence (IJCAI-22), 2022.
Yuwei Wang, Yi Zeng. Multisensory Concept Learning Framework Based on Spiking Neural Networks. Frontiers in Systems Neuroscience, 16:845177, 2022.
Yuwei Wang, Yi Zeng. Statistical Analysis of Multisensory and Text-Derived Representations on Concept Learning. Frontiers in Computational Neuroscience, 16:861265, 2022.
Yinqian Sun, Yi Zeng, Tielin Zhang. Quantum Superposition Inspired Spiking Neural Network. iScience, 24(8), 102880, Cell Press, 2021.
Yuxuan Zhao, Yi Zeng, Guang Qiao. Brain-Inspired Classical Conditioning Model. iScience, 24(1), 101980, Cell Press, 2021.
Qian Liang, Yi Zeng. Stylistic Composition of Melodies based on a Brain-inspired Spiking Neural Network. Frontiers in Systems Neuroscience, 15:639484, 2021.
Hongjian Fang, Yi Zeng, Feifei Zhao. Brain Inspired Sequences Production by Spiking Neural Networks With Reward-Modulated STDP. Frontiers in Computational Neuroscience, 15:612041, 2021.
Feifei Zhao, Yi Zeng, Aike Guo, Haifeng Su, Bo Xu. A Neural Algorithm for Drosophila Linear and Nonlinear Decision-making. Scientific Reports, 10: 18660, Nature Publishing Group, 2020.
Yi Zeng, Yuxuan Zhao, Tielin Zhang, Dongcheng Zhao, Feifei Zhao, and Enmeng Lu. A Brain-Inspired Model of Theory of Mind. Frontiers in Neurorobotics, 2020.
Qian Zhang, Yi Zeng, Taoyi Yang. Computational Investigation of Contributions from Different Subtypes of Interneurons in Prefrontal Cortex for Information Maintenance. Scientific Reports, 10: 4671, Nature Publishing Group, 2020.