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(xué)與技術(shù)研究院特聘研究員、北京大學(xué)教授吳思課題組在《eLife》雜志上發(fā)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(xué)仿真和類腦計算提供一套定制化的基礎(chǔ)設(shè)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(chǔ)設(shè)施，支持腦動力學(xué)的模擬、訓(xùn)練和分析等多種應(yīng)用場景，并實現(xiàn)了高效的代碼執(zhí)行。
通過和廣東省智能科學(xué)與技術(shù)研究院類腦計算系統(tǒng)研究組的緊密合作，BrainPy適配了廣東省智能科學(xué)與技術(shù)研究院研發(fā)的全球首顆億級神經(jīng)元規(guī)模的可編程類腦晶圓計算芯片“天琴芯”，實現(xiàn)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(lǐng)域提供了一個統(tǒng)一的編程框架。
腦動力學(xué)建模利用計算模型仿真與闡明大腦功能，正受到不同學(xué)科研究人員越來越多的關(guān)注。最近，全球范圍內(nèi)啟動了腦科學(xué)領(lǐng)域的大型項目，這些項目不斷產(chǎn)生有關(guān)連接結(jié)構(gòu)和神經(jīng)活動的新數(shù)據(jù)。計算建模是解釋這些海量數(shù)據(jù)不可或缺的基本工具。然而迄今為止，領(lǐng)域內(nèi)仍然缺乏一個用于腦動力學(xué)建模的通用編程框架。特別地，隨著越來越多海量神經(jīng)數(shù)據(jù)的產(chǎn)生、模型仿真復(fù)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(fā)通用的建模工具，以幫助我們輕松構(gòu)建、模擬、訓(xùn)練和分析多尺度及大尺度的大腦動力學(xué)模型。
為了填補這個需求，吳思團隊歷經(jīng)數(shù)年打磨，推出了靈活、綜合、高效且可擴展的通用腦動力學(xué)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(xué)模型。它集成了事件驅(qū)動算子、微分方程求解器和通用模型構(gòu)建接口等工具，使用戶能夠根據(jù)需要靈活調(diào)整模型。這一綜合性的基礎(chǔ)設(shè)施為構(gòu)建全面而強大的腦動力學(xué)建?？蚣艿於藞詫嵒A(chǔ)。BrainPy不僅提供了一個綜合性的研究平臺，還支持模擬、訓(xùn)練和分析等多種應(yīng)用場景。通過一個模型，用戶可以進行模擬、離線學(xué)習(xí)、在線學(xué)習(xí)或反向傳播訓(xùn)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?qū)ο蟮募磿r編譯（JIT）和針對腦動力學(xué)特性的專用算子實現(xiàn)了顯著的提升。這使得代碼執(zhí)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(xiàn)，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(yīng)不斷發(fā)展的腦動力學(xué)領(lǐng)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(qū)動方式進行網(wǎng)絡(luò)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(jīng)動力學(xué)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
