课题组简介

学者简介

研究课题

神经计算与控制实验室（Neural Computing and Control lab，NCC lab）感兴趣的问题包括：

1、大规模脑模型如何构建：

一般而言，构建scalable大脑模型有两条技术路线：一条是自下而上，用上百万或上亿个HH模型或LIF模型组合而成；一条是自上而下，用LLM的思路，来拟合大规模神经数据，学习大脑表征，而不管底层神经生物学机制。

两条路都极其耗资源。哪一条更有前景？更有科研和应用价值？

2、大脑的大规模预训练：

如何基于神经时序动态数据，训练大脑预训练模型，训练出来有什么用？能代表大脑吗(数据集？模型？代理任务？下游任务？) 大规模预训练的大语言模型和多模态模型上表现的性质是否在大脑中也存在，如何启发我们对大脑预训练模型的设计？基于神经数据训练的pre-trained大模型，能干嘛，这类模型如何帮助我们理解大脑信息表征机制？

3、大脑多模态、跨尺度数据融合建模：

大脑系统涉及多个空间尺度，从基因到单个神经元，从神经元群到各个脑区，从各个脑区到整个大脑，最后再到行为。一个尺度下的改变如何对其它尺度产生影响？如何融合多尺度信息建模才能更好得描述大脑系统？

4、大脑的最优刺激与调控：

视觉、文本、声音等等作为input给AI，并预测AI的输出，是很容易的；而大脑往往是通过传感器（photorecptor，hair cell）来转化成神经信号。自然刺激（视觉、听觉、触觉、嗅觉、味觉）和物理刺激（tES、TMS、tUS）对大脑的作用上有什么本质区别？如何构建大脑的输入-输出关系的模型？如何为大脑设计最优的刺激（自然刺激或者物理刺激），以最大化神经元活动、或最大化大脑的某个功能？

5、神经、认知与行为的因果推断：

之前的生物学家或者心理学家都是围绕一个或几个hypothesis来设计可操控参数的in-lab实验，可以研究特定的某个环路、或某种心理、某种行为，可以探索特定控制变量与观测结果之间的因果关系，但不具备big picture。如何利用大规模记录的数据，构建神经与认知、认知与行为的因果关系？如何从相关中挖掘出因果（from association to causality)？

6、大脑与AI学习机制的异同：

申请方式

有意向申请的同学，请把CV和个人称述发送至邮箱liuqy@sustech.edu.cn

• CV请包含本科和硕士背景、5-6门core courses及分数、研究经历、掌握的技术、publications（如果论文尚没有发表，可以先发一个writting sample）

• 个人陈述请针对以下六个NCC lab感兴趣的问题中的任何一个进行展开讨论

• 邮件名称为：姓名-2024博士申请

申请时间及网址

集智社区

为了促进神经科学、系统科学以及计算机科学等多领域学术工作者的交流合作，吸引更多朋友共同探索脑科学与类脑研究，周昌松、臧蕴亮、杨冬平、郭大庆、陈育涵、曹淼、刘泉影、王大辉、刘健、王鑫迪等来自国内外多所知名高校的专家学者在集智俱乐部共同发起「神经动力学模型」读书会，历时四个月研讨，近日圆满结束。

本季读书会形成了聚集500+成员的神经动力学社区，积累了40+小时综述、解读、研讨的视频记录，以及多篇社区成员总结的词条、笔记、翻译、科普资料等。现在报名加入读书会，即可加入社区交流讨论（微信），并解锁相关视频、文本资料。我们对脑的探索才刚刚起航，欢迎你一道参与，共同点亮更多脑科学研究的岛屿！

详情请见：

500+神经动力学社区成员，邀你共同点亮更多脑科学研究的岛屿