肖卓成

人类的大脑是如何运作的？这个问题对于我们理解“智能如何产生”至关重要。通过对人类和动物进行实验，测量它们的大脑活动和行为，我们可以获得宝贵的见解。然而，动物实验成本高昂，伦理复杂，并且有时还会受到技术限制的阻碍。这就是数学可以发挥作用的地方！通过计算模型，我们可以创建大脑部分区域的“电子版本”。模型可以总结我们的已知，并帮助我们推断未知。它们可以解释关键大脑功能背后的生理机制，并预测大脑的活动，最终帮助我们更好地理解大脑。

肖卓成教授主要从事以下两个研究方向：

1. 皮层的多尺度模型：效率与生物真实性之间的平衡：

对人类大脑皮层进行建模，因其结构和动态的复杂而极具挑战性。一类充满大脑生物学细节的模型有潜力同时产生同一脑区的不同功能，但是，其计算成本往往十分高昂。这将该类模型限制在皮层的小块区域，从而限制了可研究现象的空间尺度。与之相反，简化的、现象学的模型更容易构建和运行，但代价也是显著的：模型越简化，其模拟结果越难直接与实验数据进行比较。为了在生物真实性和计算效率之间取得平衡，我们的目标是通过粗粒化方法，以极低的计算成本保留真实皮层的关键生物学特征。

我们提出了一个多尺度模型框架，通过结合粗粒化和局部动力学平衡态，用于研究恒河猴初级视觉皮层（Primary Visual Cortex,V1）的关键参数和详细的网络结构，期望在未来几年内建立一个V1全面的多脑层模型。

2. 脉冲网络的数学理论：重点关注神经振荡

脉冲神经网络 (Spiking Neural Networks,SNN) 被广泛用于模拟脑环路的动力学，其旨在模拟神经元如何通过电脉冲的来处理和传输信息。计算神经工作者们一起一个全面数学理论，可以将任意SNN的网络结构、参数和外部输入直接映射到到其动力学。然而，这样的理论尚不存在，其数学上的困难包括系统维度、脉冲的奇异性、以及SNN动力学的多样性。

本项目是通往这个理想的数学理论的全新一步：我们为SNN动力学引入了一个马尔可夫框架，重点关注不同时间尺度上的神经振荡、以及多个吸引子的亚稳态。我们的目标是开发一个数学理论，其适用于有限数量的神经元，同时捕捉放电率和同步性。与传统的基于微分方程的SNN理论不同，这个马尔可夫框架将脉冲产生的过程其他的网络动力学活动统一视为马尔可夫链的状态转移，从而提供显著的数学分析上的优势。