概览

我们开展人工智能与脑科学的交叉研究：一方面借助 AI 加深对大脑的理解，另一方面把脑科学中的机制用于改进人工智能与脑健康。

AI 与脑科学研究概览

类脑人工智能

  • 脉冲神经网络：我们致力于缩小脉冲神经网络与传统人工神经网络之间的性能差距。SeqSNN 利用脉冲神经元处理时序信息的高效性，在多个时间序列预测基准上以更低能耗获得相当或更优的效果 [Lv et al., ICML 2024]1。CPG-PE 借鉴大脑中央模式发生器，在时序预测、自然语言处理和图像分类任务中提升了脉冲神经网络性能 [Lv et al., NeurIPS 2024 Spotlight]2。
  • 类脑网络架构：CircuitNet 模拟神经回路中的前馈、反馈和侧向连接，在函数逼近、强化学习、图像分类及时间序列预测任务中展现出通用性 [Wang et al., ICML 2023]3。2026 年，我们进一步提出基于 Kuramoto 振荡同步的相位编码 KoPE，以提升视觉模型的训练、参数和数据效率 [Xiao et al., ICML 2026]4。
  • 类脑算法：我们通过变分贝叶斯框架统一描述习惯性与目标导向行为 [Han et al., Nature Communications 2024]5，并系统研究扩散规划器的关键设计 [Lu et al., ICLR 2025 Spotlight]6。

CPG-PE 脉冲神经网络

脑机接口

  • 脑电信号基础模型：我们提出面向跨数据集脑电预训练的统一拓扑和 MMM 框架 [Yi et al., NeurIPS 2023]7。NeuroLM 将脑电信号视作一种“外语”，利用大语言模型实现多任务脑电理解 [Jiang et al., ICLR 2025]8。
  • 脑电应用：STATENet 面向真实大规模新生儿脑电数据，在时间、空间和模型层面共同建模癫痫发作 [Li et al., SMC 2023]9；SimSort 利用大规模电生理仿真推动数据驱动的神经尖峰分类 [Zhang et al., NeurIPS 2025]10。
  • PhysioPro：我们的生理数据深度学习框架汇集了多项脑电研究，代码见 microsoft/PhysioPro。该代码库不可用于临床诊疗。

NeuroLM 模型

具身智能与决策

面对目标开放、状态动态且训练阶段未曾出现的任务，我们研究能够灵活规划和行动的智能体。DOG 面向开放目标生成动态计划；Habi 则把性能强但推理较慢的扩散规划器“习惯化”为快速决策模型，在标准离线强化学习基准上实现 800 Hz 以上的决策频率 [Lu et al., ICML 2025]11。

Habi 扩散规划框架

近期研究（2025-2026）

神经形态与类脑学习

近期研究从时间结构、神经动力学和生物同步机制三个层面推进类脑模型。我们为脉冲 Transformer 提出相对位置编码 [Lv et al., NeurIPS 2025 Spotlight]12，并提出无需传统反向传播的在线伪零阶神经形态训练方法 [Xiao et al., ICLR 2026]13。在非脉冲模型上，KoPE 利用 Kuramoto 振荡同步提升视觉模型的训练、参数和数据效率 [Xiao et al., ICML 2026]4。我们还研究持续学习中保持网络可塑性的架构机制 [Koeppe et al., ICML 2026]14，以及能够切换神经编码策略、平衡计算代价与性能的稳定超线性网络 [Wang et al., ICML 2026]15。

神经数据与人类行为理解

我们把计算模型与神经及行为数据结合。SimSort 基于大规模电生理仿真构建数据驱动的神经尖峰分类框架 [Zhang et al., NeurIPS 2025]10；EgoBrain 协同建模第一视角视觉观察与认知信号，用于理解人类行为 [Lin et al., ICLR 2026]16。

自适应决策

在扩散规划研究的基础上，我们利用能量函数进行自监督动作门控，提升扩散规划器的动作质量与效率 [Lu et al., ICML 2026]17，进一步连接灵活的目标导向规划与高效自适应行为。

参考文献

  1. Changze Lv et al. Efficient and Effective Time-Series Forecasting with Spiking Neural Networks. ICML 2024. ↩

  2. Changze Lv et al. Advancing Spiking Neural Networks for Sequential Modeling with Central Pattern Generators. NeurIPS 2024 Spotlight. ↩

  3. Yansen Wang et al. CircuitNet: A Generic Neural Network to Realize Universal Circuit Motif Modeling. ICML 2023. ↩

  4. Mingqing Xiao et al. Kuramoto Oscillatory Phase Encoding: Neuro-inspired Synchronization for Improved Learning Efficiency. ICML 2026. ↩ ↩2

  5. Dongqi Han et al. Synergizing habits and goals with variational Bayes. Nature Communications 2024. ↩

  6. Haofei Lu et al. What Makes a Good Diffusion Planner for Decision Making? ICLR 2025 Spotlight. ↩

  7. Ke Yi et al. Learning Topology-Agnostic EEG Representations with Geometry-Aware Modeling. NeurIPS 2023. ↩

  8. Weibang Jiang et al. NeuroLM: A Universal Multi-task Foundation Model for Bridging the Gap between Language and EEG Signals. ICLR 2025. ↩

  9. Ziyue Li et al. Protecting the Future: Neonatal Seizure Detection with Spatial-Temporal Modeling. IEEE SMC 2023. ↩

  10. Yimu Zhang et al. SimSort: A Data-Driven Framework for Spike Sorting by Large-Scale Electrophysiology Simulation. NeurIPS 2025. ↩ ↩2

  11. Haofei Lu et al. Habitizing Diffusion Planning for Efficient and Effective Decision Making. ICML 2025. ↩

  12. Changze Lv et al. Toward Relative Positional Encoding in Spiking Transformers. NeurIPS 2025 Spotlight. ↩

  13. Mingqing Xiao et al. Online Pseudo-Zeroth-Order Training of Neuromorphic Spiking Neural Networks. ICLR 2026. ↩

  14. Niklas Koeppe et al. Mitigating Plasticity Loss through Architectural Design in Continual Learning. ICML 2026. ↩

  15. Haoyu Albert Wang et al. Stabilized Supralinear Networks Learn to Switch Coding Strategies Balancing Cost and Performance. ICML 2026. ↩

  16. Nie Lin et al. EgoBrain: Synergizing Minds and Eyes For Human Action Understanding. ICLR 2026. ↩

  17. Yuan Lu et al. Improving Diffusion Planners by Self-Supervised Action Gating with Energies. ICML 2026. ↩