推出腦仿真與類腦計算
通用編程框架
2023年12月22日，廣東省智能科學與技術研究院特聘研究員、北京大學教授吳思課題組在《eLife》雜志上發表了一篇題為“BrainPy, a flexible, integrative, efficient, and extensible framework for general-purpose brain dynamics programming”的論文。
該論文推出了BrainPy這一通用編程框架，旨在為腦動力學仿真和類腦計算提供一套定制化的基礎設施。BrainPy是一個功能強大、靈活且可擴展的通用編程框架。它為用戶提供了定制化的基礎設施，支持腦動力學的模擬、訓練和分析等多種應用場景，并實現了高效的代碼執行。
通過和廣東省智能科學與技術研究院類腦計算系統研究組的緊密合作，BrainPy適配了廣東省智能科學與技術研究院研發的全球首顆億級神經元規模的可編程類腦晶圓計算芯片“天琴芯”，實現了從軟件到硬件層次整體的靈活性和可擴展性，為類腦計算領域提供了一個統一的編程框架。
腦動力學建模利用計算模型仿真與闡明大腦功能，正受到不同學科研究人員越來越多的關注。最近，全球范圍內啟動了腦科學領域的大型項目，這些項目不斷產生有關連接結構和神經活動的新數據。計算建模是解釋這些海量數據不可或缺的基本工具。然而迄今為止，領域內仍然缺乏一個用于腦動力學建模的通用編程框架。特別地，隨著越來越多海量神經數據的產生、模型仿真復雜度的日益增長、建模手段、方法及目標的日趨多樣化，我們比以往任何時候都更迫切地需要開發通用的建模工具，以幫助我們輕松構建、模擬、訓練和分析多尺度及大尺度的大腦動力學模型。
為了填補這個需求，吳思團隊歷經數年打磨，推出了靈活、綜合、高效且可擴展的通用腦動力學編程框架BrainPy。
BrainPy框架具備高度的靈活性，允許用戶自由定義腦動力學模型。它集成了事件驅動算子、微分方程求解器和通用模型構建接口等工具，使用戶能夠根據需要靈活調整模型。這一綜合性的基礎設施為構建全面而強大的腦動力學建模框架奠定了堅實基礎。BrainPy不僅提供了一個綜合性的研究平臺，還支持模擬、訓練和分析等多種應用場景。通過一個模型，用戶可以進行模擬、離線學習、在線學習或反向傳播訓練，并進一步進行低維分岔分析或高維慢點分析等分析工作。在性能方面，BrainPy通過面向對象的即時編譯（JIT）和針對腦動力學特性的專用算子實現了顯著的提升。這使得代碼執行更為高效，進一步提高了模擬和分析的準確性和速度。
此外，BrainPy還具備良好的可擴展性。新的功能和擴展可以通過插件模塊輕松實現，而底層算子甚至可以在用戶級Python接口中進行擴展。這使得BrainPy能夠適應不斷發展的腦動力學領域，滿足不斷變化的科研需求。
另一個亮點是，BrainPy可以適配天琴芯，通過BrainPy提供模型的描述性接口，對接到硬件的編譯層并部署到芯片上，通過事件驅動方式進行網絡計算，繼承了大腦計算特性的同時大大加快了運行速度，與此同時提供了自定義神經動力學模型的功能，真正地打通了從軟件到硬件的可擴展性。
圖1：BrainPy框架概覽圖
原文鏈接：
https://doi.org/10.7554/eLife.86365
