学习路径
选一条走完,不要同时开三条。每条路径都标注了「每周产出」——产出比阅读更重要。
四条路径的共同前提:每周必须有一次「跑起来」。计算神经科学最大的误区是把它当理论课读。
路径 A | 零基础入门 4 周
适合:生物 / 心理 / 医学背景,编程刚起步。
目标:能读懂 LIF 与率编码的论文,能跑通一个简单网络仿真。
| 周 | 内容 | 对应知识点 | 本周产出 |
|---|---|---|---|
| 1 | 神经元与电信号;RC 电路与 τ | 1.1、1.2 | 手推一次指数弛豫,画 τ 变化对整合窗口的影响 |
| 2 | 微分方程速成 + LIF | 1.3、2.1 | 用 Python 写 30 行 LIF,复现 f–I 曲线 |
| 3 | 率编码、调谐曲线 | 4.1、4.3 | 用模拟数据拟合一条高斯调谐曲线 |
| 4 | 小型 E–I 网络 | 5.1 | 用 Wilson–Cowan 复现"增益→振荡频率"的关系 |
推荐材料:Miller《An Introductory Course》+ Neuromatch W1(Model Types / Model Fitting)+ Brian2 官方教程。
避坑:不要一开始就啃 Dayan & Abbott。先建立"能跑起来"的直觉。
---
路径 B | 数理背景加速 6 周
适合:物理 / 数学 / 工程背景,ODE 与线性代数熟练。
目标:直接进入机制模型与网络动力学,能独立做相平面分析。
| 周 | 内容 | 对应知识点 | 本周产出 |
|---|---|---|---|
| 1 | HH 模型与门控变量 | 2.2 | 复现 HH 的动作电位与 f–I 曲线 |
| 2 | 相平面与分岔(FHN / Morris–Lecar) | 1.3、2.6 | 画出 FHN 零斜线与分岔图 |
| 3 | 电缆方程与降维 | 2.4、2.6 | 推导 λ,验证远端 EPSP 衰减 |
| 4 | 网络动力学与同步 | 5.1、5.4 | Kuramoto 序参量随 K 的相变曲线 |
| 5 | 平衡网络 | 5.3 | 复现"异步不规则"发放(CV≈1) |
| 6 | 贝叶斯与 DDM | 6.1、6.2 | 用 DDM 拟合一组模拟 RT 分布 |
推荐材料:Gerstner + Izhikevich + Strogatz。数学可以跳读,代码不能跳。
优势:你的数学直觉会让你比生物背景的人快很多;风险是容易忽略生理约束——每周至少读一篇实验论文。
---
路径 C | 机器学习转 NeuroAI 8 周
适合:有深度学习经验,想理解生物约束从哪来。
目标:能判断"这个神经数据能不能用我的模型解释",并能读懂 NeuroAI 论文。
| 周 | 内容 | 对应知识点 | 本周产出 |
|---|---|---|---|
| 1 | 编码模型与 GLM | 4.3 | 用泊松 GLM 拟合一个神经元的 STRF |
| 2 | 群体编码与 Fisher 信息 | 4.4 | 计算随神经元数增长的信息饱和曲线 |
| 3 | 降维与神经流形 | 8.3、8.4 | 对一组模拟群体数据做 PCA + GPFA 对比 |
| 4 | 吸引子与工作记忆 | 5.2、6.6 | Hopfield 容量实验(0.138N 验证) |
| 5 | RL 与多巴胺 | 6.3 | 复现 TD 误差在三种奖赏时序下的波形 |
| 6 | 预测编码与自由能 | 6.4 | 实现一个两层预测编码网络 |
| 7 | 稀疏编码与 V1 | 4.6 | 在自然图像上跑 Olshausen–Field,观察 Gabor |
| 8 | 综合:NeuroAI 论文精读 | — | 选 1 篇(如 Yamins 2014)复现核心图 |
提醒:你最大的风险是"用 DL 的直觉套生物"。三个必须记住的差异:
- 大脑有严格的能量与延迟约束;
- 大脑是在线、单样本学习;
- 大脑的"标签"极少,主要是自监督与预测。
---
路径 D | 完整学期课 14 周
适合:想系统走一遍研究生课程,或准备转方向。
目标:
节奏:每周 1 个模块 + 1 次仿真 + 每两周 1 篇论文精读。
| 周 | 模块 | 重点 | 仿真作业 |
|---|---|---|---|
| 1–2 | 01 基础与预备 | RC 电路、ODE、概率 | 指数弛豫 + 泊松脉冲生成 |
| 3–5 | 02 单神经元建模 | LIF → HH → 电缆 → 相位 | HH 复现 + f–I 曲线 + PRC |
| 6–7 | 03 突触与可塑性 | STP、STDP、BCM | STDP 窗口 + 权重演化 |
| 8–9 | 04 神经编码 | 率/时间/群体/信息论 | 信息量估计 + 偏差校正 |
| 10–11 | 05 网络动力学 | 吸引子、平衡、同步、临界 | 平衡网络 + Kuramoto |
| 12 | 06 学习与决策 | 贝叶斯、DDM、RL | DDM 拟合 |
| 13 | 07 系统 | 视觉、听觉、运动、海马 | 任选一个系统做小模型 |
| 14 | 08 方法 + 结课项目 | 分选、降维、潜变量、复现 | 用公开数据做一次完整分析 |
结课项目建议(任选其一):
- 用 Allen 数据复现某类细胞的 f–I 曲线;
- 用 CRCNS 数据做一个解码分析并报告交叉验证性能;
- 从 ModelDB 下载一个模型,改一个参数,预测并验证其动力学变化。
---