神经计算建模是研究神经系统的结构、功能和机制的重要工具。通过数学、物理、计算机等工具，神经计算建模阐明了大脑工作的计算原理并推动了类脑智能的发展。为了普及这一方法，推动我国计算神经科学的人才培养与发展，由中国神经科学学会下属的“计算神经科学与神经工程专业委员会”主办，北京大学神经信息处理课题组精心设计了《第五届神经计算建模与连续吸引子网络培训班》课程。

本课程以北京大学神经信息处理课题组所著的教材《神经计算建模实战》、《连续吸引子神经网络：模型与理论》为基础，结合 BrainPy 编程框架及其上的 CANNs 库（连续吸引子神经网络库） 进行实践。你将学习神经计算与连续吸引子网络的基本概念、方法和技术，如何用 Python 编程语言实现神经系统的建模和高效模拟。这将为你在神经计算和类脑智能领域的研究打下坚实的基础。

本课程涵盖从神经元、突触到神经网络的完整建模链条，包括 Hodgkin–Huxley 神经元模型、简化神经元模型、突触动力学、兴奋抑制平衡网络、Amari-Hopfield 网络与决策网络、连续吸引子神经网络及其在不同场景下的应用等内容；同时配套基于 BrainPy 与 CANNs 库的编程实战与作业。

我们欢迎所有对神经计算建模感兴趣的老师和学生参加本期培训班，不论你来自哪个领域，我们坚信你将从中收获颇丰。

编程工具

本次课程将结合BrainPy编程框架进行实践，BrainPy是一个基于即时编译技术构建的先进编程平台，它集成了现代AI框架如JAX和XLA的强大功能，专门为脑动力学编程提供必要的基础架构。该平台包含了一系列脑动力学建模和仿真所需的核心组件，例如稀疏或事件驱动算子、突触连接、权重和延迟等，这些组件的集成使得BrainPy成为一个全面而完整的脑动力学编程系统。

BrainPy以其高度模块化和统一的编程接口而著称，这些特点极大地便利了从单个离子通道到神经元、网络乃至整个神经系统等不同尺度模型的构建。使用BrainPy，研究人员可以方便快捷地进行模型的仿真、训练和分析，而无需为不同任务重复编程。此外，BrainPy支持即时编译至多种硬件设备上，如CPU、GPU和TPU等，以实现高效的仿真和计算。

针对大脑作为多尺度建模对象的特点，BrainPy提供了模块化和组合编程的解决方案。这种方法允许用户按照大脑的真实层次结构堆叠网络模型，从而构建出复杂的系统模型。例如，用户可以利用动力学系统构建离子通道模型，这些模型可以组合堆叠成Hodgkin-Huxley（H-H）模型，进一步叠加成网络模型，最终形成系统级的模型。

总之，BrainPy通过其独特的即时编译技术、模块化设计和组合编程范式，为脑动力学建模和仿真提供了一个强大而灵活的平台，显著提升了模型构建和仿真的效率。

CANNs 库（连续吸引子神经网络库） 是构建在 BrainPy 之上的领域专用库，聚焦于连续吸引子神经网络（Continuous Attractor Neural Networks）的建模、仿真与分析。该库以 BrainPy 的即时编译与模块化编程接口为基础，提供了开箱即用的 CANN 神经元模型、突触连接、环路结构、吸引子结构分析工具等组件，能够让研究者用少量代码即可搭建并研究空间表征、工作记忆、决策、路径积分等典型 CANN 模型及其变体。

本次培训在第二周围绕 CANNs 库安排了完整的进阶内容：从 CANN 模型基础与编程实现，到吸引子结构分析工具的理论与实战，再到 CANNs for 空间认知建模、CANNs for AI 模型等应用方向。学习完本节后，学员应能够基于 BrainPy + CANNs 库独立搭建、训练并分析面向具体科研问题的连续吸引子神经网络模型。

授课教材

本课程以北京大学神经信息处理课题组所著的教材《神经计算建模实战》、《连续吸引子神经网络：模型与理论》为基础。