?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(lái)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(kāi)源開(kāi)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(kāi)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(lái)的人工智能，探索智能的計(jì)算本質(zhì)。
歡迎大家訪問(wèn)智脈開(kāi)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(wèn)以下鏈接：
http://www.brain-cog.network/docs/
一、類腦認(rèn)知智能引擎“智脈”研究背景：腦模擬與類腦人工智能的交匯
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(lái)提升深度脈沖神經(jīng)網(wǎng)絡(luò)的性能。
已有框架并沒(méi)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(guò)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(lái)AI打造“智慧的經(jīng)脈”。
二、智脈：認(rèn)知智能體系與計(jì)算組件
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(wú)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(wú)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(wú)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(guò)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(wàn)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(wàn)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(lè)曲創(chuàng)作與演奏能力。
?
三、基于“智脈”的類腦人工智能模型
智脈(BrainCog)允許研究者通過(guò)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(kāi)、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。
?
1、感知和學(xué)習(xí)
智脈支持多種有監(jiān)督和無(wú)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(jué)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(guò)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(yǔ)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(wú)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。
2、決策
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(wú)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(wú)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(guò)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(wú)人機(jī)集群使其實(shí)現(xiàn)基于自然啟發(fā)的自組織避障。
?
3、運(yùn)動(dòng)控制
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。
?
4、知識(shí)表征與推理
智脈通過(guò)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(lè)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(lè)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)。
5、社會(huì)認(rèn)知
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(guò)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(guò)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。
?
四、基于“智脈”的腦模擬
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。
1、腦認(rèn)知功能模擬
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(wú)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。
2、腦結(jié)構(gòu)模擬
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。
?
3、基于“智脈”的人工智能引擎創(chuàng)生(BORN)
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(shuō)明和驗(yàn)證BrainCog支持人工智能引擎研發(fā)的能力，接下來(lái)介紹基于BrainCog框架開(kāi)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(lái)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(lè)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(lái)進(jìn)行音樂(lè)創(chuàng)作和演奏。該應(yīng)用要求BORN提供視覺(jué)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(jué)（情感）識(shí)別、情感依賴的音樂(lè)創(chuàng)作模塊和人形機(jī)器人樂(lè)曲演奏。
?
五、BrainCog團(tuán)隊(duì)介紹
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(lái)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(kāi)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。
BrainCog主要開(kāi)發(fā)團(tuán)隊(duì)介紹
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(lè)學(xué)習(xí)，類腦音樂(lè)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(guò)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(jué)，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。
六、結(jié)語(yǔ)
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(wú)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(lái)。
1、BrainCog相關(guān)鏈接
開(kāi)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(lái)（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）
2、附錄 團(tuán)隊(duì)論文發(fā)布列表
-
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.
