Multi-scale detection of hierarchical community architecture in structural and functional brain networks
社区检测算法已被广泛用于研究大脑等复杂系统的组织。这些技术的一个主要吸引力是它们能够将大脑区域（或节点）划分为社区，其中社区内的节点紧密相连。在最简单的应用中，社区检测算法对社区层次的存在是不可知的，但许多神经系统的共同特征是嵌套层次。为了解决这一限制，我们行使一个多尺度扩展的社区检测技术称为模块化最大化，我们应用该工具的合成图和图形来自人类的结构和功能成像数据。我们的多尺度社区检测算法将图形链接到相邻拓扑尺度上的自身副本，从而对相邻层次结构中的保守社区组织变得敏感。我们证明，这种方法可以更好地表征拓扑不均匀性的图的层次结构，通过提供一个本地（节点）的社区稳定性和跨拓扑尺度的跨尺度可靠性的措施。我们比较了大脑的结构和功能的网络架构，并表明结构图显示了更广泛的拓扑尺度比功能图。最后，我们建立了一个多模式的多重图，结合结构和功能连接在一个单一的模型，我们确定的拓扑尺度，其中静息状态功能连接和底层结构连接显示类似的与独特的分层社区架构。总之，我们的研究结果展示了多尺度社区检测算法在研究脑图中的分层社区结构方面的优势，并说明了其在多模态神经成像数据建模中的实用性。
2017-04-19 q-bio.NC
Differentially Categorized Structural Connectome Hubs are Involved in Differential Microstructural Basis and Functional Implications and Contribute to Individual Identification
人类大脑结构网络包含一组中央嵌入的枢纽区域，这些区域能够实现有效的信息交流。然而，它仍然在很大程度上是未知的结构脑枢纽的类别和他们的微观结构，功能和认知特征，以及个人识别的贡献。在这里，我们采用了三个多模态成像数据集与结构MRI，弥散MRI和静息态功能MRI构建个人的结构脑网络，识别大脑枢纽的基础上，八个常用的图形节点的指标，并进行全面的验证分析。我们发现大脑网络中存在三类结构枢纽，即聚集型、分布型和连接型枢纽。在空间上，这些不同类别的枢纽主要位于默认模式系统，此外，在视觉和边缘系统的聚合枢纽，在额顶叶系统的分布式枢纽，并在感觉运动和腹侧注意系统的连接器枢纽。重要的是，这三类枢纽表现出各种不同的特点，最高水平的微观结构组织的聚合枢纽，最大的布线成本和拓扑脆弱性的分布式枢纽，以及最高的功能协会和认知灵活性的连接器枢纽，虽然他们表现得更好，关于这些特征相比，非枢纽。最后，所有三个类别的枢纽指数显示出较高的跨会话空间相似性，并作为一个结构指纹与高预测率（100%，100%和84.2%）的个人识别。总的来说，我们的研究结果突出了三类具有不同微结构，功能和认知关联的大脑枢纽，这可能有助于揭示人类连接体的拓扑机制。
2016-09-12 q-bio.NC
Hi-M imaging of chromatin architecture in adult Drosophila brain cryosections
Centre de Biologie Structurale, Univ Montpellier, CNRS UMR5048, INSERM U1054（结构生物学中心，蒙彼利埃大学，法国国家科学研究中心UMR5048，INSERM U1054）
本文介绍了一种适用于成年果蝇脑冷冻切片的Hi-M成像工作流程，结合FISH、微流控和计算追踪，在保留组织结构的同时实现染色质三维结构分析。
2026-09-09 q-bio.NC
Brain-inspired Distributed Cognitive Architecture
在本文中，我们提出了一个大脑启发的认知架构，包括感官处理，分类，上下文预测和情感标签。认知架构被实现为三个模块化的Web服务器，这意味着它可以集中部署或跨网络部署服务器。这些实验揭示了两种不同的行为操作，即高和低显着性操作模式，它们密切地模拟了大脑中的注意力。除了对皮层进行建模之外，我们还证明了生物启发的架构可以提高处理效率。该软件已作为开源平台发布，未来的研究团队可以轻松扩展。该研究为生物现实的注意力方向和感觉选择奠定了基础，我们相信这是实现生物现实的人工智能系统的关键一步。
2020-05-18 cs.NE q-bio.NC
Forecasting Brain Activity Based on Models of Spatio-Temporal Brain Dynamics: A Comparison of Graph Neural Network Architectures
理解神经动力学的时空特性之间的相互作用有助于我们理解人脑中的信息处理。图神经网络（GNN）提供了一种新的可能性，解释图结构的信号，如在复杂的大脑网络中观察到的。在我们的研究中，我们比较了不同的时空GNN架构，并研究了它们对功能性MRI（fMRI）研究中获得的神经活动分布进行建模的能力。我们评估了GNN模型在MRI研究中各种场景下的性能，并将其与VAR模型进行了比较，该模型目前常用于定向功能连接分析。我们表明，通过学习局部功能相互作用的解剖基板，GNN为基础的方法能够强大的规模，大型网络研究，即使在可用的数据是稀缺的。通过将解剖连接性作为信息传播的物理基础，这种GNN还提供了关于定向连接性分析的多模态视角，为研究大脑网络中的时空动态提供了新的可能性。
2022-04-28 q-bio.NC stat.ML
Learning differentially reorganizes brain activity and connectivity
人类学习是一个复杂的过程，在这个过程中，未来的行为通过大脑活动和连接的重组而改变。目前尚不清楚在学习过程中活动和连接是否会发生差异性重组，如果是的话，这种差异性重组如何跟踪不同大脑区域的学习阶段。在这里，我们通过在纵向fMRI实验中测量大脑活动和功能连接来解决这一知识差距，在这个实验中，健康的成年人参与者在四天的时间里学习新物体的价值。在学习过程中，受试者之间的活动或功能连接的相似性增加，反映了朝着共同功能架构的重组。我们评估了在价值学习和休息状态期间活动和连接的重组的存在，使我们能够区分常见的诱发过程与内在过程。我们发现大脑连接和活动的复杂和动态重组-作为时间，空间和性能的函数-在受试者学习时发生。在学习早期，空间定位的大脑活动在整个大脑中重组为共同的功能架构，这种重组跟踪早期学习表现。相比之下，随着训练的进行，空间分布的连接性在整个大脑中重组为一个共同的功能架构，这种重组会跟踪后来的学习表现。特别好的性能与粘性连接有关，这种连接一直持续到休眠状态。从广义上讲，我们的工作揭示了在价值学习的不同阶段，活动和连通性的重组的不同原则，这为正在进行的学习过程的研究提供了更广泛的信息。
2020-09-10 q-bio.NC
Brain architecture: A design for natural computation
Newcastle University（纽卡斯尔大学）
50年前，约翰·冯·诺依曼（John von Neumann）将大脑的结构与他发明的至今仍在使用的计算机的结构进行了比较。在那些日子里，计算机的组织是基于大脑组织的概念。在这里，我们对神经系统的全球组织的当前结果进行了更新。对于神经系统，我们概述了神经元和皮层网络的空间和拓扑结构如何促进对故障的鲁棒性，快速处理和平衡的网络激活。最后，我们讨论了这种架构的自组织机制。毕竟，大脑的组织可能会再次激发计算机架构。
2008-02-27 cs.AI cs.NE physics.soc-ph
How Does the Brain Organize Information?
大脑中的认知过程，如学习、记忆的形成、记忆图像的恢复、物体的分类，有两个特点：第一，大脑中没有控制这些过程的监督者。其次，有大量的神经元（10^{6}到10^{10}）参与这些认知任务。出于这个原因，理解认知过程的研究使用了从大量神经元构建的模型，但非常简化的神经元。所谓的神经网络在描述大脑功能的某些方面已经相当成功，比如联想记忆的机制或最近的癫痫发作预测。在Kohonen网络的手，我们讨论的信息在大脑中的治疗，特别是大脑如何组织这样的信息没有监督。最近，小世界网络和无标度结构成为人们关注的焦点。有证据表明，大脑（猫皮层，猕猴皮层，人脑）使用这种连接结构。信息处理、学习和分类等任务利用了这种无标度和小世界连接，因此在大脑的自组织中发挥了潜在的重要作用。
2009-02-19 q-bio.NC
High-performance neuromorphic computing architecture of brain
本文提出大脑的高性能神经形态计算架构，基于神经球和混沌分形原理，预测人脑存储容量与算力，并证明其能效比最新芯片高8个数量级。
2025-08-05 physics.bio-ph q-bio.NC
Topographic maps in the brain are fundamental to processing of causality
脑中地形图的普遍存在早已为人所知，神经系统地形图组织形成的分子机制也已被揭示。很少有人注意到为什么地图是地形图，为什么如此普遍。在这项研究中，我探索的地形图的大脑功能的影响，通过采用塞曼拓扑的数学框架。我提出的概念的意义上的地形秩序的一般机制的因果结构的表示和分析，实现的神经系统。这导致了对化学系统和神经系统之间在形成地图以处理因果关系方面的分工的更好理解。
2018-11-12 q-bio.NC
The whole brain architecture approach: Accelerating the development of artificial general intelligence by referring to the brain
The Whole Brain Architecture Initiative（全脑架构倡议组织）；The University of Tokyo（东京大学）；RIKEN（理化学研究所）
大量计算机制（包括机器学习）的组合所创造的巨大设计空间是创建人工通用智能（AGI）的障碍。大脑启发的AGI开发，换句话说，减少设计空间，使其看起来更像生物大脑，这是通用智能的现有模型，是解决这个问题的一个有前途的计划。然而，个人很难设计出与整个大脑相对应的软件程序，因为理解大脑结构所需的神经科学数据是广泛而复杂的。全脑架构方法将大脑启发的AGI开发过程分为设计大脑参考架构（BRA）的任务-信息流和相应组件的图表-以及使用BRA开发每个组件的任务。这被称为BRA-driven development。另一个困难在于从神经科学数据中提取再现大脑认知行为功能所需的操作原理。因此，本研究提出了结构约束界面分解（SCID）方法，这是一种假设建立方法，用于创建与神经科学发现一致的假设组件图。这种方法已经开始应用于构建大脑的各个区域。接下来，我们将研究评估大脑启发软件的生物兼容性的方法。这种评估还将用于优先考虑与大脑相同区域相关的不同计算机制，这些机制应该合并。
2021-03-06 cs.AI cs.LG cs.NE
The nature of quantum parallel processing and its implications for coding in brain neural networks: a novel computational mechanism
本文提出动作电位脉冲（APPulse）作为量子孤子脉冲，通过微秒级同步实现非图灵计算，取代慢速电动作电位，构成脑神经网络的新型计算机制。
2025-05-20 q-bio.NC
Brain development dictates energy constraints on neural architecture search: cross-disciplinary insights on optimization strategies
该研究从发育神经科学视角提出，大脑神经架构搜索以代谢优化而非预测误差为核心，为AI尤其是AGI的新型NAS设计及深度神经网络因果推理研究提供了新视角。
2023-10-03 q-bio.NC q-bio.QM
Decoding the circuitry of consciousness: from local microcircuits to brain-scale networks
识别意识出现和维持的生理过程是神经科学最基本的问题之一，其影响范围从基础神经科学到意识障碍（DOC）患者的治疗。一个主要的挑战是了解从局部网络到大脑规模网络的完全不同的空间尺度上的皮层回路如何协同运作以实现意识，以及这些过程如何在DOC患者中受损。在这篇综述中，我们试图将现有的神经生理学和临床数据与现有的意识理论模型联系起来，同时将微观和宏观电路水平联系起来。首先，我们一方面解决意识和觉醒之间的关系，另一方面解决皮质-皮质和丘脑-皮质连接之间的关系。其次，我们讨论了三种主要类型的GABA能中间神经元在负责功能网络动态重组的特定电路中的作用。第三，我们探索嵌套振荡的神经同步和通信的功能作用的进展，强调本地（高频）和远程（低频）活动之间的平衡的重要性，有效的信息处理。这些理论考虑的临床意义。我们认为，这种细胞尺度的机制可以扩展目前的意识理论。
2019-07-26 q-bio.NC
The human brain's network architecture is genetically encoded by modular pleiotropy
对于生物学的大部分领域来说，基因型映射到表型的方式仍然是一个基本的谜团。已知的少数图谱倾向于显示模块多效性：表型集由不同的基因集决定。人类大脑的网络结构是一个尚未被发现的关键图谱。在这里，我们确定了基因共表达和单核苷酸多态性图谱的形式。我们发现，大多数非重叠的基因组编码大脑网络模块（或所谓的社区）的连接性，这表明大脑网络社区划分了遗传转变。我们发现，这些干净的边界打破了连接器枢纽，其整合的连接是由多效性基因编码，大多是非重叠集。总的来说，这项研究为大脑发育、进化和疾病的遗传编码研究开辟了新的方向。
2019-11-03 q-bio.GN q-bio.NC q-bio.PE
Design for a Darwinian Brain: Part 1. Philosophy and Neuroscience
Queen Mary University of London（伦敦玛丽女王大学）
开放式认知需要物理符号系统。理解物理符号系统的一个好方法是将思想与化学进行比较。两者都具有系统性、生产性和组合性。批判性地评估了开放式认知的认知架构的最新发展。我的结论是，一个认知架构，在大脑中的符号结构的演变是一个很有前途的候选人来解释开放式认知。本文的第2部分提出了这样一个认知架构。
2013-03-28 cs.AI q-bio.NC
Data mining the functional architecture of the brain's circuitry
该研究指出神经记录与行为监测技术的发展推动神经科学从局部走向全局，提出需借助数据挖掘桥接海量数据，发掘大脑功能架构，以应对从数据对齐到可解释行为模型的多层面挑战。
2025-01-16 q-bio.NC stat.AP
Designing Artificial Cognitive Architectures: Brain Inspired or Biologically Inspired?
VIDIA-mant
人工神经网络（ANN）被设计为用于人工智能设计实现的工具。然而，很快就发现他们无法履行自己的职责。人工神经网络完全自主的工作方式，排除了任何人为干预或监督，剥夺了任何理论基础，导致了一种奇怪的状态，当人工神经网络设计师无法解释为什么以及如何实现其惊人和显着的结果。因此，当代人工智能研发看起来更像是一个现代炼金术企业，而不是一个受人尊敬的科学或技术事业。另一方面，现代生物科学认为，智力不仅可以在人脑中区分。今天，智力被认为是每个生物的基本属性。因此，自然智能的较低简化形式更适合在人工认知架构中进行研究和进一步复制。
2018-12-12 cs.AI q-bio.NC
White Matter Network Architecture Guides Direct Electrical Stimulation Through Optimal State Transitions
脑电刺激目前正在研究作为一种治疗神经系统疾病。然而，优化这种疗法的机会受到这样一个事实的挑战，即局灶性刺激对邻近和远距离区域的有益影响还没有得到很好的理解。在这里，我们使用网络控制理论来构建一个大脑网络功能模型，该模型可以预测刺激如何通过大脑的白质网络传播并影响大规模动态。我们测试这些预测结合皮质电图（ECoG）和弥散加权成像（DWI）的数据，自愿参加广泛的刺激方案。我们研究了一种特定的基于模型的方式，其中白质束限制刺激，定义其驱动大脑进入新状态的能力，包括与成功记忆编码相关的状态。在我们的模型的第一次验证中，我们发现白质束的真实模式可以用来更准确地预测由直接电刺激引起的状态转换比空模型的人工模式。然后，我们使用一个有针对性的最优控制框架来解决将大脑驱动到给定状态所需的最优能量。我们表明，直观地说，我们的模型预测更大的能量需求时，从更远离目标记忆状态的状态开始。然后，我们提出了可检验的假设，哪些结构特性将导致有效的刺激，以提高记忆的基础上的能量需求。我们的工作表明，个人白质架构在指导直接电刺激的动力学中起着至关重要的作用，更普遍地提供经验支持的效用网络控制理论模型的大脑刺激反应。
2018-05-03 q-bio.NC
Brain2Char: A Deep Architecture for Decoding Text from Brain Recordings
直接从大脑解码语言表示可以实现新的脑机接口（BCI），用于高带宽的人与人和人与机器通信。在临床上，这些技术可以恢复神经系统疾病影响其说话能力的人的沟通。在这项研究中，我们提出了一种新的深度网络架构Brain 2Char，用于从直接大脑记录（称为皮层电图，ECoG）中直接解码文本（特别是字符序列）。Brain 2Char框架结合了最先进的深度学习模块--用于从神经数据和双向递归层中提取多波段时空特征提取的3D Inception层，扩张卷积层，然后是语言模型加权束搜索来解码字符序列，优化了连接主义时间分类（CTC）损失。此外，鉴于高度非线性变换的基础上的转换皮层功能的字符序列，我们执行正则化的网络的潜在的代表性的洞察到皮层编码的语音生产和人为方面的具体ECoG数据采集的动机。要做到这一点，我们施加辅助损失的发音运动，语音声学和会话特定的非线性的潜在表示。在这里测试的3个参与者中，Brain 2Char在词汇量从1200到1900个单词的范围内分别实现了10.6%、8.5%和7.0%的单词出错率（WER）。Brain 2Char在两个参与者默写句子时也表现良好。这些结果为从大脑中解码文本提供了新的技术水平，并证明了Brain 2Char作为高性能通信BCI的潜力。
2019-09-03 cs.CL cs.LG q-bio.NC
Gauging functional brain activity: from distinguishability to accessibility
标准的神经成像技术不仅提供了对人脑解剖学的非侵入性访问，而且还提供了对人脑生理学的非侵入性访问。用这些技术记录的活动通常被称为功能成像，但观察到的本身是动态的实例，应该从中提取功能性大脑活动。区分裸动力学和真正的功能是一项非常重要的任务，但在比较实验观察和解释其意义时至关重要。在这里，我们说明了神经成像提取真正的功能性大脑活动的能力如何受到功能表征结构的限制。为此，我们首先从系统级脑成像的角度提供了一个简单的功能性脑活动的定义。然后，我们回顾如何的属性的空间上，大脑活动的代表允许定义的关系，从可访问性的观察到的成像数据。我们展示了这些属性是如何从动态数据和动态功能投影定义的结构中产生的，并考虑了一些影响，这些定义的方式和程度对标准系统级脑记录技术的实验数据的解释有影响。
2019-02-22 q-bio.NC
Benchmarking the human brain against computational architectures
提出基于问题规模递增的认知表现基准测试框架，通过人类实验对比复杂度类，发现有限视野加噪声的神经形态架构能很好近似结果，且该尺度下无量子优势。
2023-05-15 cs.NE q-bio.NC quant-ph
Functional brain network architecture supporting the learning of social networks in humans
大多数人都有幸生活在结构丰富的社会群体中。然而，目前尚不清楚人类如何获得有关这些社会结构的知识，以成功地驾驭社会关系。在这里，我们利用网络科学和统计学习的最新进展，通过跨学科的神经成像研究来解决这一知识差距。具体来说，我们收集了BOLD MRI数据，同时参与者学习了社交和非社交网络的社区结构，以检查这两种类型的网络的学习是否与功能性大脑网络拓扑结构有差异。从这两个任务中的行为数据，我们发现，学习者对网络的社区结构很敏感，这一点可以从集群之间过渡的试验的反应时间比集群内过渡的试验的反应时间慢得到证明。从社会网络学习任务期间收集的神经影像学数据，我们观察到，海马和颞顶连接的功能连接是显着更大的集群之间的过渡时，比在一个集群内过渡。此外，颞顶区的默认模式更强烈地连接到海马体，somatomotor，和视觉区域在社会任务比在非社会任务。总的来说，我们的研究结果确定了社会与非社会网络学习的神经生理学基础，扩展了我们对社会背景对学习过程的影响的认识。更广泛地说，这项工作提供了一种实证方法来研究社会网络结构的学习，这可以卓有成效地扩展到其他参与者群体，各种图形架构，以及在未来的研究中的社会背景的多样性。
2019-04-20 q-bio.NC
CU-Net: a U-Net architecture for efficient brain-tumor segmentation on BraTS 2019 dataset
Columbia University（哥伦比亚大学）
本研究提出基于U形结构的CU-Net脑肿瘤分割模型，采用卷积、最大池化等操作，在BraTS 2019数据集上Dice系数达82.41%，优于两种现有最优模型，可助力肿瘤边界精准描绘以改善患者预后。
2024-06-19 cs.AI cs.CV q-bio.NC
Does the brain behave like a (complex) network? I. Dynamics
本文探讨复杂网络结构对大脑动力学的影响，通过定义“网络性”并分析大脑解剖与动力学，论证网络结构是大脑活动真正的组织原则而非仅仅是描述工具。
2024-12-23 cond-mat.dis-nn nlin.AO q-bio.NC
Neural Structural Reasoner: A Brain-inspired Architecture for Reasoning over Structured Knowledge
Chinese Institute for Brain Research, Beijing（北京脑科学与类脑研究中心）；Beijing Key Laboratory of Brain Science and Brain-Machine Interface（北京脑科学与脑机接口重点实验室）；Sun Yat-sen University（中山大学）
针对现有方法压缩关系拓扑、缺乏可解释性的问题，提出受大脑启发的神经结构推理器NSR，通过耦合神经元群体保留结构，并行推理并实现链接预测，兼具竞争力、低训练时间和原生可解释性。
2026-09-30 cs.AI q-bio.NC
Local White Matter Architecture Defines Functional Brain Dynamics
大束的有髓轴突，称为白质，在解剖学上将不同的大脑区域连接在一起，构成了人类连接体的结构核心。我们最近提出了一种方法来测量局部完整性沿长度的每个白质束，称为本地连接体。如果沟通效率从根本上受到沿白质束整个长度的完整性的限制，那么大脑网络功能动力学的变异性应该与局部连接体的变异性相关。我们使用两种能够处理高维数据的统计方法来测试这种预测。首先，通过对基于距离的相关性进行统计推断，我们发现个体之间局部连接体的相似性与其功能连接模式的相似性显著相关。其次，通过采用稀疏典型相关分析和交叉验证的变量选择，我们表明，局部连接体的片段是预测功能性脑动力学的某些模式。这些结果与轴突束的结构变异性限制了不同脑区之间的交流这一假设是一致的。
2018-09-16 q-bio.NC stat.AP stat.ML
Scatterometry Measurements with Scattered Light Imaging Enable New Insights into the Nerve Fiber Architecture of the Brain
正确重建单个（交叉）神经纤维是构建详细的大脑网络模型的先决条件。最近开发的技术散射光成像（SLI）允许重建整个脑组织样本中的交叉神经纤维通路，具有微米分辨率：通过从不同方向照射未染色的组织学脑切片，测量法向入射下的透射散射光，并研究所得图像系列中每个像素的光强度分布来确定单个纤维方向。到目前为止，SLI测量是用固定的照明极角和少量的照明方向进行的，仅提供了对神经纤维方向的估计和关于底层组织结构的有限信息。在这里，我们使用带有单独可控发光二极管的LED显示屏，一次测量每个图像像素的样本后面的散射光的完整分布（散射模式），从而实现整个脑组织样本的散射测量。我们比较我们的结果相干傅立叶散射（光栅扫描的样品与非聚焦激光束）和以前的SLI测量与固定的极角照明，使用部分从长尾猴脑和人类的视神经束。最后，我们提出了SLI散射测量的人脑截面与3 $μ$米的平面内分辨率，表明该技术是一个强大的方法来获得新的见解到人脑的神经纤维结构。
2021-11-27 physics.bio-ph physics.med-ph physics.optics
Sentences as connection paths: A neural language architecture of sentence structure in the brain
University of Twente（特文特大学）
本文提出了一种大脑中句子结构的神经语言架构，其中句子是将单词背后的神经结构互连起来的时间连接路径。单词保持“原位”，因此它们总是内容可寻址的。任意和新颖的句子（用新颖的单词）可以用单词和句子的“神经黑板”来创建。因此，自然语言的无限生产力可以通过“固定”的小世界网络结构来实现。本文重点讨论句子的神经黑板。该架构仅使用一个“连接矩阵”来绑定句子中单词之间的所有结构关系。它表示任意（英语）句子的能力进行了详细讨论，在全面分析它们的基础上。该架构模拟了在句子处理过程中观察到的颅内大脑活动以及与句子复杂性和歧义相关的fMRI观察。模拟结果表明，所观察到的效果涉及到全球控制的架构，而不是所涉及的句子结构，这预示着更高的活动差异与更高的理解能力的复杂性和歧义。讨论的其他方面是“内在的”句子结构提供的连接路径和它们的关系的范围和变形，使用的依赖分析器控制的绑定，长距离的依赖关系和差距，问答，模糊性的解决方案的基础上向后处理没有明确的回溯，花园路径，和嵌入相关的性能困难。
2022-05-19 cs.CL cs.NE q-bio.NC
The BrainScaleS-2 accelerated neuromorphic system with hybrid plasticity
自从电子元件开始进行信息处理以来，神经系统就一直充当着计算原语组织的隐喻。今天的大脑启发计算包括一类方法，从使用新型纳米设备进行计算到研究大规模神经形态架构，如TrueNorth，SpiNNaker，BrainScaleS，Tianjic和Loihi。虽然实现细节不同，但脉冲神经网络-有时被称为第三代神经网络-是用于对此类系统的计算进行建模的常见抽象。在这里，我们描述了第二代BrainScaleS神经形态架构，强调该架构所支持的应用程序。它结合了一个自定义的模拟加速器核心，支持生物启发的脉冲神经网络原语的加速物理仿真，以及一个紧密耦合的数字处理器和一个数字事件路由网络。
2022-02-03 cond-mat.dis-nn cs.NE q-bio.NC
Brain Graph Super-Resolution Using Adversarial Graph Neural Network with Application to Functional Brain Connectivity
Istanbul Technical University（伊斯坦布尔理工大学）；University of Dundee（邓迪大学）
近年来，随着以不同分辨率获取的神经成像数据集的激增，脑图像分析已经取得了实质性的进展。近年来，脑图像超分辨率的研究发展迅速，但由于非欧图数据的复杂性，脑图超分辨率的研究还很薄弱。在本文中，我们提出了有史以来第一个深度图超分辨率（GSR）框架，该框架试图自动生成具有N'个节点的高分辨率（HR）脑图（即，从具有N个节点的低分辨率（LR）图中提取感兴趣的解剖区域（ROI），其中N <N '。首先，我们将GSR问题形式化为节点特征嵌入学习任务。一旦HR节点的嵌入被学习，大脑ROI之间的成对连接强度可以通过基于新颖的Graph U-Net架构的聚合规则来导出。虽然通常图U-Net是一个以节点为中心的架构，其中图嵌入主要取决于节点属性，但我们提出了一个以图为中心的架构，其中节点特征嵌入基于图拓扑。其次，受图谱理论的启发，我们通过使用GSR层和两个图卷积网络层超解析低分辨率脑图结构和节点内容来打破U-Net架构的对称性，以进一步学习HR图中的节点嵌入。第三，为了处理地面实况和预测的HR脑图之间的域转移，我们结合了对抗正则化来对齐它们各自的分布。我们提出的AGSR-Net框架在从低分辨率图像预测高分辨率功能脑图方面优于其变体。我们的AGSR-Net代码可以在GitHub上找到，网址是https://github.com/basiralab/AGSR-Net。
2021-05-02 cs.CV cs.LG eess.IV
The Brain on Low Power Architectures - Efficient Simulation of Cortical Slow Waves and Asynchronous States
高效的大脑模拟是一个科学上的巨大挑战，一个并行/分布式编码的挑战，也是未来计算架构的需求和建议的来源。事实上，人类大脑包括大约10^15个突触和10^11个神经元，它们以几赫兹的平均速率被激活。即使在最高抽象级别上进行模拟，全脑模拟也会带来Exascale挑战。人脑计划（HBP）中的WaveScales实验的目标是在深度睡眠和麻醉以及过渡到其他大脑状态期间匹配慢波的实验测量和模拟。重点是专用的大规模并行/分布式仿真技术的发展。ExaNeSt项目设计了一个基于ARM的低功耗HPC架构，可扩展到数百万个内核，开发了一个专用的可扩展互连系统，SWA/AW模拟被包括在驱动基准中。在这两个项目之间的联合是INFN专有的分布式和塑性脉冲神经网络（DPSNN）模拟引擎。DPSNN可以配置为强调执行平台上可用的网络或计算功能。当神经网络--由数量相对较少的神经元组成，每个神经元投射数千个突触--分布在大量的硬件核心上时，模拟强调了网络组件。当每个核心的神经元数量增加时，计算开始成为短距离连接的主要组成部分。本文报告了初步的性能结果，基于ARM的HPC原型开发的ExaNeSt项目的框架。此外，比较给出的瞬时功率，总能耗，执行时间和精力充沛的成本，每个突触事件的SWA/AW DPSNN模拟时，无论是ARM或基于英特尔的服务器平台上执行。
2018-04-10 cs.DC cs.NE q-bio.NC
Optimizing deep video representation to match brain activity
INRIA（法国国家信息与自动化研究所）；Paris-Sud University（巴黎南大学）
将观察到的大脑活动与人工智能系统生成的统计数据进行比较，有助于探索生态条件下的大脑功能组织。在这里，我们研究了10个受试者观看彩色自然电影的功能磁共振成像活动，并使用依赖于光流和图像内容的架构计算这些电影的深度表示。视觉区的活动与深层结构的不同层之间的关联显示了视觉区与复杂性相关的对比，并揭示了一个引人注目的中央凹/周边二分法。
2018-09-07 cs.CV cs.LG cs.NE
Deep Reinforcement Learning and its Neuroscientific Implications
DeepMind；University College London（伦敦大学学院）
强大的人工智能的出现正在定义神经科学的新研究方向。到目前为止，这项研究主要集中在使用监督学习训练的深度神经网络，例如图像分类。然而，最近人工智能工作的另一个领域迄今为止受到神经科学家的关注较少，但可能具有深刻的神经科学意义：深度强化学习。深度强化学习为研究学习、表征和决策之间的相互作用提供了一个全面的框架，为脑科学提供了一套新的研究工具和广泛的新假设。在本综述中，我们对深度RL进行了高层次的介绍，讨论了它在神经科学中的一些初步应用，并调查了它对大脑和行为研究的更广泛影响，最后列出了下一阶段研究的机会。
2020-07-07 cs.AI cs.LG q-bio.NC
A complex network perspective on brain disease
该研究从复杂网络视角出发，探讨网络表征在脑部病理刻画、疾病易感性及康复可能性分析中的作用，揭示疾病定义与功能定义的关联及相关网络属性，为病理研究与脑功能理解提供新思路。
2025-07-31 physics.app-ph q-bio.NC
Noise-induced synchronization and anti-resonance in excitable systems; Implications for information processing in Parkinson's Disease and Deep Brain Stimulation
我们研究了一个令人惊讶的现象出现在大型网络的兴奋元素在响应噪声的统计物理：而在低噪声，解决方案保持在附近的休息状态和大噪声的解决方案显示异步活动，网络显示有序，完全同步的周期性响应在中间水平的噪声。我们表明，这种现象从根本上是随机的和集体的性质。事实上，对于特定范围内的噪声和耦合，休息和兴奋状态之间的过渡速率的不对称性逐渐建立，导致兴奋神经元的分数增加，最终触发与宏观同步偏移和集体返回休息相关的链式反应，在此过程重新开始，从而产生观察到的周期性同步振荡。我们进一步发现了一种新的反共振现象：当系统受到特定频率范围内的周期性刺激时，噪声诱导的同步振荡消失。在反共振状态下，系统对于信息容量的测量是最优的。这一观察结果提供了一个新的假设，解释了脑深部电刺激治疗帕金森病的有效性，帕金森病是一种神经退行性疾病，其特征是大脑运动回路的同步性增加。我们进一步讨论了这些现象的普遍性在类的可激发元素与约束耦合的随机网络，并说明了这种普遍性，通过分析各种经典模型的神经网络。总之，这些结果揭示了一些普遍的机制，支持在可兴奋系统的噪声的正规化的影响，揭示了一种新的反共振现象，在这些系统中，并提出了一个新的假设，高频刺激的效率在帕金森氏病。
2019-05-24 cond-mat.dis-nn math.DS nlin.AO
BrainNetMLP: An Efficient and Effective Baseline for Functional Brain Network Classification
Tsinghua Shenzhen International Graduate School, Tsinghua University, China（清华大学深圳国际研究生院，清华大学，中国）
本文提出纯MLP方法BrainNetMLP，通过双分支结构融合空间连接与频谱信息，在HCP和ABIDE数据集上以更少参数实现功能性脑网络分类的最先进性能。
2025-07-21 cs.CV q-bio.NC
Multi-scale brain networks
人类大脑的网络结构已经成为神经科学界越来越感兴趣的特征，主要是因为它有可能阐明人类认知，它在发育和衰老过程中的变化，以及它在疾病或损伤中的变化。传统的研究这种架构的工具和方法主要集中在单一尺度上-拓扑、时间和空间。超越这种狭隘的观点，我们专注于相关的问题和新的方法学进展的多尺度大脑的审查。我们将我们的论述分为多尺度拓扑结构，多尺度时间结构和多尺度空间结构相关的内容。在每一种情况下，我们都叙述了这种结构的经验证据，调查基于网络的方法来揭示这些结构，并概述了当前的前沿和开放的问题。虽然主要是从人类神经成像的例子，我们希望这个帐户将提供一个可访问的指南，任何神经科学家旨在测量，表征和理解大脑的多尺度网络结构的全部丰富性-无论物种，成像方式，或空间分辨率。
2016-11-04 physics.soc-ph q-bio.NC
The Architecture of a Biologically Plausible Language Organ
Columbia University（哥伦比亚大学）
本文提出一个由神经元、突触等构成的生物合理性语言器官，通过Hebbian可塑性学习名词和动词，无需反向传播，解释了婴儿大脑语言习得机制。
2023-06-27 cs.CL q-bio.NC
Device JNEEG to convert Jetson Nano to brain-Computer interfaces. Short report
人工智能近年来取得了重大进展，这对神经科学领域产生了影响。因此，已经实现了不同的架构，以实时地从EEG信号中提取特征。然而，使用这样的架构需要大量的计算能力。因此，EEG设备通常仅用作EEG数据的发射器，实际数据处理在第三方设备中进行。这是昂贵的，不紧凑。在本文中，我们提出了一个盾牌，允许单板计算机，Jetson Nano从英伟达，转换成脑机接口，最重要的是，Jetson Nano的功能允许机器学习工具直接在数据收集设备上使用。在这里，我们提出了开发的设备的测试结果。https://github.com/HackerBCI/EEG-with-JetsonNano
2023-01-23 cs.AI q-bio.NC
Scaling and context steer LLMs along the same computational path as the human brain
Meta AI；Laboratoire de Neurosciences Cognitives et Computationnelles (Inserm U960)（神经认知与计算实验室）；Ecole Normale Supérieure - PSL（巴黎高等师范学院 - PSL）
本研究通过分析人脑和LLM的表示对齐性，发现两者在计算顺序上一致，但受模型大小和上下文长度影响。
2025-12-01 cs.LG q-bio.NC
Do Large Language Models Think Like the Brain? Sentence-Level Evidences from Layer-Wise Embeddings and fMRI
本研究通过比较LLMs的层级嵌入与fMRI数据，揭示了大语言模型在句级层面与人类大脑的相似性，展示了LLMs在语言处理中的潜在应用价值。
2025-12-02 cs.CL q-bio.NC
Brain covariance selection: better individual functional connectivity models using population prior
在功能性神经成像中观察到的自发脑活动已显示出可再现的结构，其表达脑结构并携带脑病理学的标志物。现代神经科学的一个重要观点是，这种大规模的连贯活动结构反映了大脑连接图的模块化特性。然而，到目前为止，还没有证据表明自发活动观察中可用的有限和嘈杂的数据可以用于学习推广到新数据的全脑概率模型。学习这样的模型需要两个主要挑战：i）对全脑连接进行建模是一个困难的估计问题，面临维度灾难; ii）受试者之间的变异性，加上实验运行之间功能信号的变异性，使得使用多个数据集具有挑战性。我们将受试者级别的脑功能连接结构描述为多变量高斯过程，并引入一种新的策略来从组数据中估计它，通过在人口中的图形模型上施加一个共同的结构。我们发现，使用这个人口先验从功能性磁共振成像（fMRI）数据中学习的个体模型比基于替代正则化方案的模型更好地推广到看不见的数据。据我们所知，这是第一个交叉验证的自发性大脑活动模型的报告。最后，我们使用估计的图形模型来探索功能架构的大规模特征，并首次显示已知的认知网络作为功能连接图的集成社区出现。
2010-11-12 q-bio.NC stat.ML
Interactive Natural Language Acquisition in a Multi-modal Recurrent Neural Architecture
Universität Hamburg（汉堡大学）
对于使我们能够用自然语言进行交流的复杂的人类大脑，我们收集了对语言习得和处理的基本原则的良好理解，关于社会文化条件的知识，以及对大脑活动模式的见解。然而，我们还不能理解自然语言的行为和机制特征，以及大脑中的机制如何允许获得和处理语言。在桥接的见解，从行为心理学和神经科学，本文的目标是有助于适当的特征，有利于语言习得的计算理解。因此，我们提供的概念和改进的认知建模的原则和机制，在大脑中，并提出了一个神经认知似是而非的模型体现语言习得从现实世界的互动的人形机器人与它的环境。特别是，该架构由一个连续时间递归神经网络，其中部分具有不同的泄漏特性，因此在多个时间尺度上运行的每一种模式和所有模式的更高级别的节点到细胞组件的关联。该模型能够学习语言生产接地，时间动态体感和视觉，并具有层次概念抽象，概念分解，多模态集成和自组织的潜在表示。
2018-02-07 cs.CL q-bio.NC
Exploration and Comparison of Deep Learning Architectures to Predict Brain Response to Realistic Pictures
Università degli Studi di Milano Bicocca（米兰比可卡大学）；University of Essex（埃塞克斯大学）
本文面向 Algonauts Challenge 2023，探索多种深度学习架构预测真实图片引起的大脑反应，最终发现以 CLIP 图像嵌入为输入、按受试者半球 ROI 分别构建的简单全连接线性模型效果最佳，虽超过基线但关联仍不够稳健。
2023-09-11 cs.AI cs.CV cs.HC
Synchronization and Redundancy: Implications for Robustness of Neural Learning and Decision Making
大脑中的学习和决策是对生存至关重要的关键过程，但这些过程是由非理想的生物构建模块实现的，可能会造成重大错误。我们定量地探讨大脑如何利用两种普遍存在的机制，冗余和同步，来应对这种固有的错误来源。特别是，我们考虑一个神经过程，其目标是通过实现非线性梯度动力学来学习决策函数。然而，动态，假设被破坏的扰动建模的错误，这可能是由于生物学的限制，固有的神经元噪声，和不完善的测量。我们发现，错误，以及相关的不确定性周围的学习解决方案，可以控制在很大程度上通过权衡多个冗余神经系统之间的同步强度对噪声幅度。这种冗余系统之间的耦合的影响是量化的网络拉普拉斯算子的频谱，我们讨论的作用，网络拓扑结构的同步和减少噪声的影响。一系列的情况下，我们的模型在脑科学中出现的机制进行了讨论，我们提请注意实验证据表明，能够实现感兴趣的计算在这里可以发现在几个尺度上的皮层电路。最后，模拟比较理论界的相关经验量表明，我们得到的理论估计可以是紧的。
2011-04-16 cs.NE q-bio.NC
Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning
AAAI Press（AAAI 压力）
本文提出一种模块化fMRI分析框架，结合局部掩码自编码器预训练、随机游走专家混合和状态空间模型预测器，在Cam-CAN数据集上以更低计算成本超越现有方法，实现年龄和流体智力的高精度预测并增强可解释性。
2025-08-09 cs.AI cs.LG q-bio.NC
Computer Vision Based Neurology Brain Activity Rejection Architecture and Implementation
Member, IEEE（IEEE成员）
研究针对EEG在认知发展研究中的挑战，引入基于计算机视觉的自动化ICA拒绝标记工具，兼容常用软件接口，通过自动化人工任务，大幅减少处理时间，提高准确率，加速大规模EEG研究及脑电活动抑制任务应用。
2026-07-27 cs.LG physics.data-an q-bio.NC
Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data
Georgia State University（佐治亚州立大学）；Georgia Institute of Technology（佐治亚理工学院）
本文提出基于图神经网络的BrainRGIN架构，利用静息态fMRI数据预测智力，在青少年大脑认知发展数据集上优于现有模型，并发现额中回等关键脑区。
2024-10-27 cs.AI cs.LG q-bio.NC
Three tiers of computation in transformers and in brain architectures
Dartmouth College（达特茅斯学院）
本文基于语法–自动机层级提出三层计算框架，通过人类与十五个语言模型的基准评估，说明层级过渡而非模型规模决定语言与逻辑能力。
2026-10-06 cs.CL cs.NE q-bio.NC
Analyzing complex functional brain networks: fusing statistics and network science to understand the brain
在过去的八年里，复杂的功能性大脑网络分析已经爆炸式发展，由于其深刻的临床意义而获得了牵引力。网络科学（图论的一个跨学科分支）的应用促进了这些分析，并使研究大脑成为一个产生复杂行为的集成系统。虽然统计学领域在推进激活分析和功能神经成像研究中的一些连接性分析方面不可或缺，但它在复杂网络分析中尚未发挥相应的作用。将新的统计方法与基于网络的功能神经图像分析相结合，将产生强大的分析工具，有助于我们理解正常的大脑功能以及各种大脑疾病引起的变化。在这里，我们调查了广泛使用的统计和网络科学工具分析功能磁共振成像网络数据，并讨论了在填补一些剩余的方法差距所面临的挑战。当正确应用和解释时，网络科学和统计方法的融合有机会彻底改变对大脑功能的理解。
2013-10-22 q-bio.NC q-bio.QM stat.AP
Spatio-Temporal Analysis of Transformer based Architecture for Attention Estimation from EEG
University of Mons（蒙斯大学）；IMT Nord Europe（北欧国立高等矿业电信学院）；CNRS（法国国家科学研究中心）
多年来，了解大脑机制一直是许多不同领域的重要研究课题。近年来，脑信号处理，特别是脑电信号的处理越来越受到学术界和工业界的关注。其中一个主要的例子是越来越多的脑机接口（BCI）旨在连接大脑和计算机。在本文中，我们提出了一个新的框架，使我们能够检索的注意力状态，即给予一个特定的任务，从EEG信号的注意程度。虽然以前的方法通常通过电极考虑EEG中的空间关系，并在基于递归或卷积的架构中处理它们，但我们在这里建议还利用基于变换的网络来利用空间和时间信息，该网络已经在许多机器学习（ML）相关研究中表现出了其优越性，例如机器翻译。除了这种新的架构，特征提取方法，频带和时间窗口长度也进行了广泛的研究。该网络已经在两个公共数据集上进行了训练和验证，与最先进的模型相比，取得了更高的结果。除了提出更好的结果外，该框架还可以用于实际应用，例如注意力缺陷多动障碍（ADHD）症状或驾驶评估期间的警惕性。
2022-04-04 cs.AI cs.LG eess.SP
Building artificial neural circuits for domain-general cognition: a primer on brain-inspired systems-level architecture
University of Cambridge（剑桥大学）；Intel Labs（英特尔实验室）；Julius-Maximilians-Universität Würzburg（维尔茨堡朱利叶斯-马克西米利安大学）
有一个协调一致的努力，以通用神经网络模型的形式建立域通用人工智能，具有足够的计算灵活性，以解决各种各样的认知任务，但不需要对个别问题空间和域进行微调。要做到这一点，模型需要适当的先验知识和归纳偏差，这样经过训练的模型就可以推广到分布外的例子和新的问题集。在这里，我们提供了一个概述的标志赋予生物神经网络与灵活的认知所需的功能，以建立哪些功能也可能是重要的，以实现类似的功能，在人工系统。我们特别讨论了网络通信和递归的系统级分布的作用，除了短期拓扑变化的作用，有效的本地计算。随着机器学习模型变得更加复杂，这些原则可能会在广阔的可能架构空间中提供有价值的指导。此外，在人工系统中测试这些归纳偏差可能有助于我们理解领域一般认知的生物学原理。
2023-03-21 cs.AI cs.LG cs.NE
The curious case of developmental BERTology: On sparsity, transfer learning, generalization and the brain
Cerebras Systems（Cerebras系统公司）
在这篇文章中，我们通过大语言模型、迁移学习和网络压缩来探索深度学习和神经科学之间的交叉点。就像感知和认知神经生理学启发了有效的深层神经网络架构，这反过来又为理解大脑提供了一个有用的模型一样，在这里，我们探索生物神经发育如何激发有效和强大的优化程序，这反过来又可以作为大脑成熟和衰老的有用模型。
2020-07-07 cs.CL cs.LG q-bio.NC
