王超名

博士，青年研究員，研究組組長

Email：wangchaoming@@gdiist.cn

個人簡介

王超名，青年研究員，大尺度腦仿真研究組組長。2018年本科畢業于北京交通大學，2023年于北京大學取得博士學位，在2023-2025年期間任北京大學博雅博士后研究員。主持國家自然科學基金青年基金，中國博士后面上項目基金。王超名博士專注于大尺度腦仿真的軟件、算法，和模型，相關研究工作在Nature Communications、eLife、Cell Reports等高水平期刊和ICLR等人工智能會議上發表論文10余篇，并已獲得多項國家發明專利授權。

他領導開發了多個原創的腦動力學建模框架，包括（1）BrainPy框架實現了即時編譯的多尺度腦動力學編程系統，大幅提高了大腦建模的計算效率；（2）BrainUnit/SAIUnit系統將標準化物理單位引入高性能AI 計算架構，顯著提升了大腦建模的準確性、可維護性、和物理意義；（3）BrainTaichi框架提供了稀疏計算與事件驅動的算子編程能力，有效降低了計算復雜度；（4）BrainScale系統實現了線性內存復雜度 0(N) 的脈沖神經網絡在線學習。這些工具協同構建了一個多尺度、可微分建模工具鏈，實現了AI 計算框架與大腦模擬技術的深度融合。

此外，他的研究成果獲得科技創新2030“腦科學與類腦研究”項目支持，連續兩年獲得新一代人工智能開源開放平臺OpenI啟智社區優秀項目獎（2021年/2022年）。

大尺度腦仿真研究組

本研究組致力于推動人類對大腦工作機制的認知，通過構建覆蓋神經元、腦區直至全腦網絡的多尺度、高精度仿真平臺與模型，揭示認知與智能的本質機理。具體而言，我們聚焦大尺度腦仿真的基礎軟件、前沿算法、核心理論與應用探索，以打造兼具生物真實性與計算功能的全尺度腦模型為核心目標。

為此，我們深入研究基于神經動力學的大規模腦網絡建模方法，并開發高性能并行計算框架，以支撐復雜腦活動的仿真與分析。通過融合計算神經科學、高性能計算和人工智能技術，我們致力于推動從微觀神經元活動到宏觀認知行為的系統性仿真研究，為理解大腦功能和開發類腦智能提供關鍵工具和理論支撐。

當前，研究組的核心研究方向包括：

1、大尺度腦仿真的軟件生態系統：基于研究組自主研發的 BrainPy、BrainUnit/SAIUnit、BrainTaichi、BrainScale 等編程框架，我們研發分布式腦計算的高效并行算法與架構，構建可兼容異構計算系統的神經網絡仿真平臺。該平臺旨在突破現有仿真規模的瓶頸，最終支持千億級神經元規模的全腦動力學仿真模擬，為復雜腦活動的解析提供強大的工具支撐。

2、大尺度腦仿真的建模算法：依托研究組 BrainScale 在線學習系統，我們研發資源優化的全腦尺度仿真算法、模擬大腦模塊化認知功能的學習機制，以及“數據+任務”雙驅動的多尺度大腦建模方法。通過這些算法的開發，我們旨在揭示大腦結構、神經活動和認知功能之間錯綜復雜的關聯，為理解智能的神經基礎提供理論框架。

3、大尺度腦仿真的計算模型：以前期研發的大尺度腦仿真軟件和算法為基礎，并整合多模態神經科學數據，我們致力于構建跨越分子、細胞、環路和系統等多層次的脊椎動物大尺度腦動力學模型。更進一步，我們將這些模型應用于腦疾病機制的研究，以及發展新穎的生物兼容人工智能算法，推動大尺度腦仿真的應用研究。

本研究組官方GitHub賬號https://github.com/chaobrain，其圍繞大尺度腦仿真的軟件、算法和模型完全開源，以期推動該領域的開放協作與技術共享。

 

研究組擁有先進的計算資源和開放的學術氛圍，與國內外頂尖科研機構建立緊密的合作關系，歡迎來自神經計算、人工智能、高性能計算等領域的有志之士應聘助理研究員、博士后、工程師、博士生、碩士生、實習生等崗位。有意者，請郵件聯系。

代表論著

  1. 1. Chaoming Wang, Xingsi Dong, Jiedong Jiang, Zilong Ji, Xiao Liu, and Si Wu. “BrainScale: Enabling Scalable Online Learning in Spiking Neural Networks”. Preprint (2025).

  2. 2. Chaoming Wang#, Sichao He#, Shouwei Luo, Yuxiang Huan, Si Wu. “Integrating physical units into high-performance AI-driven scientific computing”. In: Nature Communications 16 (2025). https://doi.org/10.1038/s41467-025-58626-4

  3. 3. Shangyang Li#, Chaoming Wang#, and Si Wu. “Spindle oscillations emerge at the critical state of electrically coupled networks in the thalamic reticular nucleus”. In: Cell Reports 43.10 (2024). https://doi.org/10.1016/j.celrep.2024.114790 

  4. 4. Chaoming Wang#, Tianqiu Zhang#, Sichao He, Yifeng Gong, Hongyaoxing Gu, Shangyang Li, and Si Wu. “A differentiable brain simulator bridging brain simulation and brain-inspired computing”. In: The Twelfth International Conference on Learning Representations (2024). https://openreview.net/forum?id=AU2gS9ut61 

  5. 5. Chaoming Wang*, Muyang Lyu, Tianqiu Zhang, Si Wu*. “A Differentiable Approach to Multi-scale Brain Modeling”. In: ICML 2024 Workshop on Differentiable Almost Everything. 2024. https://openreview.net/forum?id=a6cpnxdGq7 

  6. 6. Ke Yang, Yanghao Wang, Pek Jun Tiw, Chaoming Wang, Xiaolong Zou, Rui Yuan, Chang Liu, Ge Li, Chen Ge, Si Wu, Teng Zhang, Ru Huang, Yuchao Yang. “High-order sensory processing nanocircuit based on coupled VO2 oscillators”. In: Nature Communications 15.1 (2024). https://doi.org/10.1038/s41467-024-45992-8

  7. 7. Chaoming Wang, Tianqiu Zhang, Xiaoyu Chen, Sichao He, Shangyang Li, Si Wu. “BrainPy, a flexible, integrative, efficient, and extensible framework for general-purpose brain dynamics programming”. In: eLife 12 (2023). Ed. by Marcel Stimberg. https://doi.org/10.7554/eLife.86365 

  8. 8. 王超名, 陳嘯宇, 張天秋, 吳思. 神經計算建模實戰：基于 BrainPy. 電子工業出版社 (2023年年度好書), 2023. https://book.douban.com/subject/36437736/

  9. 9. Chaoming Wang, Yingqian Jiang, Xinyu Liu, Xiaohan Lin, Xiaolong Zou, Zilong Ji, Si Wu. “A just-in-time compilation approach for neural dynamics simulation”. In: Neural Information Processing: 28th International Conference, 2021. https://doi.org/10.1007/978-3-030-92238-2_2 

  10. 10. Chaoming Wang, Shangyang Li, and Si Wu. “Analysis of the Neuron Dynamics in Thalamic Reticular Nucleus by a Reduced Model”. In: Frontiers in Computational Neuroscience 15 (2021). https://doi.org/10.3389/fncom.2021.764153 

  11. 11. Chaoming Wang, Risheng Lian, Xingsi Dong, Yuanyuan Mi, and Si Wu. “A Neural Network Model With Gap Junction for Topological Detection”. In: Frontiers in Computational Neuroscience 14 (2020). https://doi.org/10.3389/fncom.2020.571982 


王超名研究組