计算神经科学（Computational Neuroscience）是一门新兴的基于生物物理数学模型，采用计算方法和手段对大脑神经系统进行研究的脑科学分支。一直以来，对大脑的研究主要依靠实验手段，在不同的时空尺度上对大脑组织进行观察。由于大脑的特殊性及其复杂的神经网络系统使得研究大脑的实验手段非常有限或片面，科学家们一直在瞎子摸象的过程中探索。对于科学家们，大脑曾经完全是黑箱，经过最近几十年（尤其是在国际上多个脑计划的推动下）的迅猛发展，科学家们已经把大脑这个黑箱变成了灰箱。近年来，伴随计算机技术的发展，计算神经科学已经成为研究脑科学的重要利器，有望在不远的将来，把大脑这个灰箱变成一个虚拟的透明大脑！
近年来，以深度学习(Deep Learning)为代表的受脑启发的人工智能（Brain-Inspired AI，BI-AI）技术在应用领域得到快速发展，但发展瓶颈也得到突显。对于开放多变的场景，仅仅是BI-AI已经难以胜任。如何发展更具大脑或类似大脑功能的人工智能（也称通用人工智能，或类脑智能，或强智能,或Brain-Like AI（BL-AI））成为下一代人工智能技术的核心问题。计算神经科学正在成为解决这一核心问题的重要基石。
大脑仿真模拟平台是计算神经科学的实验平台。对于任何大脑工作原理的理论和猜测只有在大脑仿真模拟平台上得以实现才能得到认可。同时通过在大脑仿真模拟平台上的实现，可以进一步改良或简化模型，抽象出最为本质的大脑工作机理，应用于其它领域（如人工智能）。在国际上，经典的大脑仿真模拟平台有美国的NEURON和GENESIS。近年来在欧盟脑计划推动下，NEST平台得到快速发展。在国内，大脑仿真模拟平台很长时间内处于空白阶段，直至2018年，在北京市科委和中国传媒大学的大力支持下，我们自主研制的大脑仿真模拟平台NiMiBrainCloud以云服务的方式与大家见面了！
进行大脑仿真所采用的神经元模型主要有HH模型、LIF模型、Izhikevich模型、NiMi模型等。HH方程是神经元最精确的模型，但是HH方程是一套非线性动力学方程，没有数学上的解析解，只能采用数值计算方法，一步一步地以逼近的方式进行推演计算。
为了确保逼近的精确度，每一步步长都非常短（例如0.01毫秒）。所以对于现在的计算机而言，一个十万或百万个神经元的神经网络的计算是个十分沉重的负担。LIF模型是一类对HH模型的简化模型。由于LIF模型起码保持了Spike的特征，受到许多研究团队的认可。我院自主研发的神经元NiMi模型相比LIF模型更接近HH模型精度，而且可以采用1毫秒时间步长，比传统方法快100倍的速度来进行计算！
NimiBrainCloud（NBC）进一步发挥高性能计算集群的优势，在百倍提速的神经元NiMi模型基础上，利用高性能计算集群并行计算能力和高速通信能力，为从事大脑仿真模拟的科研工作者提供了精确度高、计算速度快、并行性好、交互性强等优点的大规模脑神经网络高速仿真平台。目前研发团队已经用NimiBrainCloud完成了若干个脑仿真示范案例，包括视觉感知、多模态整合和对帕金森症相关脑区的仿真，验证了NBC的有效性。NBC的开放意味着用户可通过互联网直接使用NimiBrainCloud平台，并按照自己的构思完成所需要的神经元网络的构建，进行相关的科研活动。
我们十分欢迎有兴趣的个人和团队免费注册使用NBC，并请多提宝贵意见和建议！让我们一起携手，为早日打开大脑奥秘，实现通用人工智能共同努力！
更多内容，请移步https://nimibrain.cuc.edu.cn/
相关代表性成果：
1.Ding Y, Wang Y, Cao L. A Simplified Plasticity Model Based on Synaptic Tagging and Capture Theory: Simplified STC[J]. Frontiers in Computational Neuroscience, 2021, 15.
2.曹立宏,金珊（外）,王晔，等. 构建大脑：神经发育导论[M].电子工业出版社. 2021
3.Wang T, Wang Y, Shen J, et al. Predicting Spike Features of Hodgkin-Huxley-Type Neurons With Simple Artificial Neural Network[J]. Frontiers in computational neuroscience, 2022: 131.
4.Chen W, Du F, Wang Y, et al. A Biologically Plausible Audio-Visual Integration Model for Continual Learning[C]//2021 International Joint Conference on Neural Networks (IJCNN). IEEE, 2021: 1-8.
5.Ding Y, Fu W, Cao L. Implementation of Multi-compartment Neuron Model with Synaptic Plasticity Using FPGA[C]//2021 IEEE 21st International Conference on Communication Technology (ICCT). IEEE, 2021: 1008-1012.
6.Yi Z, Fu W, Cao L. Implementation of Hodgkin-Huxley Spiking Neuron Model Using FPGA[C]//2019 IEEE 19th International Conference on Communication Technology (ICCT). IEEE, 2019: 1535-1539.
7.Cao L, Shen J, Wang L, et al. Predicting spikes with artificial neural network[J]. Science China Information Sciences, 2018, 61(6): 060428:1-060428:3.
8.Shen J, Wang Y, Cao L. Automatic fitting of neuron parameters[C]//2018 IEEE 3rd International Conference on Cloud Computing and Big Data Analysis (ICCCBDA). IEEE, 2018: 558-562.
9.Wang L, Wang Y, Fu W, et al. Modulation of neuronal dynamic range using two different adaptation mechanisms[J]. Neural regeneration research, 2017, 12(3): 447.
10.[软件著作权]曹立宏,陈雯婕（学）,王晔.Neural Activity Analytic Tool V1.0 .2018SR865583
11.[软件著作权]曹立宏,沈佳敏（学）,王晔.Neuronal Parameter Estimation Tool V1.0.2018SR483502
12.[专利]曹立宏, 汪雷, 沈佳敏. 大脑神经元动作电位序列的快速预测方法.ZL 2016 1 0749057.0
13.[专利]曹立宏. 大规模神经网络的3D可视化方法.ZL 2016 1 0757895.21
14.[软件著作权]曹立宏.NeuroBuilder System V1.0. 2016SR300974