计算神经科学把大脑写成方程

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 τ1.1、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 + LIF1.3、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
1HH 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、5.4Kuramoto 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 DDM6.1、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 GLM4.3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、6.6Hopfield 容量实验(0.138N 验证)
5RL 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 V14.6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:

  1. 大脑有严格的能量与延迟约束;
  2. 大脑是在线、单样本学习;
  3. 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
1–201 基础与预备RC 电路、ODE、概率指数弛豫 + 泊松脉冲生成
3–502 单神经元建模LIF → HH → 电缆 → 相位HH 复现 + f–I 曲线 + PRC
6–703 突触与可塑性STP、STDP、BCMSTDP 窗口 + 权重演化
8–904 神经编码率/时间/群体/信息论信息量估计 + 偏差校正
10–1105 网络动力学吸引子、平衡、同步、临界平衡网络 + Kuramoto
1206 学习与决策贝叶斯、DDM、RLDDM 拟合
1307 系统视觉、听觉、运动、海马任选一个系统做小模型
1408 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。

---