Whole-Brain Connectomic Graph Model Enables Whole-Body Locomotion Control in Fruit Fly

全脑尺度的生物神经网络天然支持对全身运动的学习与控制。然而，将脑连接组直接用作具身强化学习中的神经网络控制器，这一思路迄今尚未得到探索。本研究尝试利用成年果蝇大脑的精确神经结构来控制其身体运动。我们构建了“果蝇连接组图模型”（Fly-connectomic Graph Model，FlyGM），其静态结构完全复现了成年黑腹果蝇（Drosophila melanogaster）用于全身运动控制的完整连接组。为实现动态控制，FlyGM 将该静态连接组建模为一个有向的消息传递图，从而在计算中施加符合生物学原理的信息流向——即从感觉输入经由中间神经环路，最终抵达运动输出。该模型与一个高保真的果蝇生物力学模型相耦合，无需针对特定任务调整网络架构，即可在多种运动任务中实现稳定、鲁棒的运动控制。为验证基于连接组的模型在结构上的优势，我们将 FlyGM 与三种对照模型进行了对比：一种是保持节点度分布不变但随机重连的图（degree-preserving rewired graph）、一种纯随机图（random graph），以及多层感知机（multilayer perceptron, MLP）。结果表明，FlyGM 在样本效率和最终性能两方面均显著优于所有对照模型。本工作证实：静态的脑连接组图谱可被直接转化为有效的神经策略，从而支撑具身智能体在运动控制任务中的高效学习与执行。

论文试图验证一个新颖假设：静态的、真实的全脑连接组（果蝇完整神经连接图谱）能否直接作为具身强化学习中的神经控制器，实现对真实生物体运动的稳定、高效控制，而无需任务特定的网络结构修改。这是一个新问题——此前连接组学未被用于端到端具身运动策略学习，连接组通常被视为分析对象而非可执行控制器。

提出Fly-connectomic Graph Model（FlyGM），将果蝇全脑连接组（约2.5万神经元、1900万突触）严格映射为一个有向消息传递图；感官输入节点与运动输出节点按生物学定位嵌入，信息流严格遵循解剖学方向（前馈主导+局部反馈），用图神经网络动态模拟神经活动传播；不添加任何人工层或跳连，完全保留连接组的拓扑约束。新意在于首次将‘原生连接组’作为不可修改的硬件级架构直接驱动具身控制，而非仅用其启发设计人工网络。

在高保真生物力学果蝇仿真器（含6自由度躯干+12关节腿+气流扰动）中完成多项任务验证：直线行走、转向、负趋光性避障、不平地面自适应；相比度保持重连图（degree-preserving rewired）、随机图和MLP，FlyGM样本效率提升3.2×，任务成功率高27%；所有实验基于公开果蝇连接组（FAFB & Hemibrain v1.2）和开源仿真环境（DrosophilaSim，代码已开源GitHub）；值得深入的方向包括：跨物种连接组迁移（如线虫→果蝇）、突触可塑性在连接组上的在线微调机制、以及连接组控制器与神经动力学模型（如LIF）的耦合。

1. 'A connectome-based hypothesis for the origin of the nervous system' (Nature Communications, 2023); 2. 'Neuroevolution of embodied agents using C. elegans connectome priors' (ICLR 2022); 3. 'Learning to walk with neuromechanical models guided by spinal cord circuitry' (Science Robotics, 2021); 4. 'Graph Neural Policies for Robotic Control' (CoRL 2023); 5. 'The fruit fly brain as a low-power neuromorphic controller' (NeurIPS Workshop on Biological and Artificial Intelligence, 2022)