研究组方向介绍：

    研究组致力于深度借鉴多种脑图谱结构、脑功能活动、脑可塑性机制等，研发生物合理且计算高效的类脑神经网络模型，在低能耗、强鲁棒、高灵活泛化方面展示出类脑计算优势。类脑模型深入融合深度神经网络技术、生物物理知识嵌入技术、图谱拓扑表征及结构嵌入技术。一方面，生物合理的类脑模型可以支撑生物复杂系统的动力学模拟，如睡眠模拟、麻醉模拟、血流动力学模拟；另一方面，类脑模型后续开发为类脑芯片，应用于对能耗、稳定性、灵活性等都有较高要求的应用场景，如面向侵入式脑机接口的高通量在线解码芯片、面向动态视觉的高帧率物体识别芯片。研究组提出多类生物合理的神经网络学习方法，如自组织反向传播方法（Science Advances/IEEE TNNLS）、神经调制连续学习方法（Science Advances）、多巴胺奖赏传播方法(IEEE TNNLS)、膜电位平衡方法（AAAI/IJCAI）、元动力学方法（AAAI/NeuroComputing）、群体动力学编码方法（AAAI）、多脑区组合方法（IEEE TNNLS）、动力学知识嵌入网络方法（NeurIPS）、多尺度信号对齐方法（IEEE TCYB）等，并应用到如图像分类、自然语言处理、连续动作控制、强化学习游戏等多类AI典型任务。

研究单元：

类脑算法：将生物学习方法、生物结构拓扑、生物编码方式等新机制，融入到当前的人工神经网络中，提升AI算法在准确率、能耗、鲁棒性、灵活性等方面的综合能力；设计能够针对任意生物图谱的拓扑结构抽提方法，以实现从生物图谱到模型计算架构的高效转换。

类脑模拟：充分利用生物前额叶、海马、丘脑等特殊结构嵌入的类脑模型，发挥其在注意力、工作记忆、多感觉融合、复杂决策等方面的优势，并实现对生物认知实验现象的多尺度精确模拟仿真。

类脑芯片：针对脑机接口算法实际应用过程中的可解释、灵活性、低能耗等需求，研发能够部署类脑算法的兼具生物合理性与计算高效性的类脑芯片，既可以作为独立AI通用芯片（支持动态视觉、动态听觉等识别），也可以作为植入式脑机接口专用芯片。

数理基础：研究生物知识、物理知识、数据知识嵌入神经网络的数学原理，探索复杂动力学系统与网络连接模式的关系，提出节点知识嵌入、结构知识嵌入、神经算子知识嵌入、Loss损失函数嵌入等几类知识融合方法，发挥模型在小样本学习、长时程预测预报等方面的优势，支撑如天气、海洋流场、脑动力学、血流动力学等复杂系统状态的预测预报。

智慧医疗：研发智能麻醉机器人，通过术中EEG数据以及其他生命体征数据对术中的麻醉深度、疼痛指数、多步长麻醉深度预测等指标进行评估，通过类脑分类、预测、强化学习等算法给出最佳给药决策，辅助医生进行自动、精准麻醉与脑状态监控。