腦動力學建模利用計算模型仿真與闡明大(dà)腦功能，正受到不同學科研究人員(yuán)越來越多的關注。最近，全球範圍内啓動了腦科學領域的大(dà)型項目，這些項目不斷産生(shēng)有關連接結構和神經活動的新數據。計算建模是解釋這些海量數據不可或缺的基本工(gōng)具。然而迄今爲止，領域内仍然缺乏一(yī)個用于腦動力學建模的通用編程框架。特别地，随着越來越多海量神經數據的産生(shēng)、模型仿真複雜(zá)度的日益增長、建模手段、方法及目标的日趨多樣化，我(wǒ)(wǒ)們比以往任何時候都更迫切地需要開(kāi)發通用的建模工(gōng)具，以幫助我(wǒ)(wǒ)們輕松構建、模拟、訓練和分(fēn)析多尺度及大(dà)尺度的大(dà)腦動力學模型。

爲了填補這個需求，吳思團隊曆經數年打磨，推出了靈活、綜合、高效且可擴展的通用腦動力學編程框架BrainPy。

BrainPy框架具備高度的靈活性，允許用戶自由定義腦動力學模型。它集成了事件驅動算子、微分(fēn)方程求解器和通用模型構建接口等工(gōng)具，使用戶能夠根據需要靈活調整模型。這一(yī)綜合性的基礎設施爲構建全面而強大(dà)的腦動力學建模框架奠定了堅實基礎。BrainPy不僅提供了一(yī)個綜合性的研究平台，還支持模拟、訓練和分(fēn)析等多種應用場景。通過一(yī)個模型，用戶可以進行模拟、離(lí)線學習、在線學習或反向傳播訓練，并進一(yī)步進行低維分(fēn)岔分(fēn)析或高維慢(màn)點分(fēn)析等分(fēn)析工(gōng)作。在性能方面，BrainPy通過面向對象的即時編譯（JIT）和針對腦動力學特性的專用算子實現了顯著的提升。這使得代碼執行更爲高效，進一(yī)步提高了模拟和分(fēn)析的準确性和速度。

此外(wài)，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，而底層算子甚至可以在用戶級Python接口中(zhōng)進行擴展。這使得BrainPy能夠适應不斷發展的腦動力學領域，滿足不斷變化的科研需求。

另一(yī)個亮點是，BrainPy可以适配天琴芯，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，通過事件驅動方式進行網絡計算，繼承了大(dà)腦計算特性的同時大(dà)大(dà)加快了運行速度，與此同時提供了自定義神經動力學模型的功能，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