主要研究方向：提炼大脑理论，建模神经机制，发展类脑算法

更多信息: https://yschen13.github.io/publications

1. 基于数据驱动的计算原理发现

以往科学家常通过神经记录与行为观察，手动推断大脑的可塑性规则及决策原理。然而，随着数据规模不断扩大、任务范式愈发复杂，这类传统方法逐渐面临局限。因此，我们亟需算法框架来实现数据驱动的科学发现。本实验室相关工作包括：

- 使用多智能体逆强化学习 (multi-agent inverse reinforcement learning) 用于揭示动物的价值函数与“心智建模”机制 (Chen et al., bioRxiv, 2025 & Cheng, Chen et al., bioRxiv, 2025)。

- 利用状态空间模型 (state space modeling) 系统地搜索复杂决策中的行为优化算法。

- 利用元学习 (meta-learning) 框架寻找神经可塑性规则，揭示神经环路中实现复杂行为的机制。

2. 从网络表征揭示脑内学习算法

近年来，机器学习领域涌现大量关于人工神经网络学习算法与表征的理论研究，使原本黑箱的学习过程愈发可解释，这些成果也为解析大脑网络原理提供了新的视角和工具。例如：

- 大脑是否存在可统一解释各类神经科学实验现象的目标函数？ 我们之前的工作关注海马区的预测编码机制 (Chen et al., Neuron, 2024)。未来计划将预测框架拓展至皮层柱结构，研究各皮层之间的分层计算与神经加工过程。

- 大脑独特的“出厂设置” (inductive bias)如何促成其灵活适应的学习能力？ 我们正在探索不同网络学习规则、初始化方式与结构配置下，认知地图(cognitive map)的形成过程。

3. 揭示大脑的功能连接结构

尽管许多统计方法可用于估计大脑的功能性连接(functional connectivity)，但若要实现对功能连接性的快速而准确的评估，最佳做法是将神经系统的动态特性纳入模型中。我们之前的工作首次将神经动力学整合进功能连接分析中 (Chen et al., PNAS, 2022)，为后续扩展铺平道路——例如加入特定非线性机制、外部影响等。随着多模态神经结构与功能数据不断开放（如Allen研究所的MiCRONS及V1 Deep Dive项目），该方法在处理大规模功能连接推断时具有极大潜力和优势。