德国图宾根大学“机器学习：科学新视角”卓越研究集群的研究团队近期开发出一款全新脑模拟软件——Jaxley，该软件不仅能够以高度细致的方式模拟大脑内部过程，还可完成复杂认知任务。相关研究成果已发表于国际期刊 Nature Methods。
长期困扰脑科学的模拟难题
几十年来，科学家一直试图通过计算机模型来理解大脑的运作机制。以往的脑模型主要依赖数学方法来模拟神经元及其化合物的行为和相互作用，但存在明显局限：一些模型过于简化，偏离生物学实际；另一些模型虽然细致描绘了细胞内部的生物物理过程，却难以执行与大脑类似的认知任务。
“以前要么路径类似大脑但结果不对，要么结果正确但过程与大脑不符，”研究论文第一作者、Jakob Macke团队的研究员 Michael Deistler 解释道。Jaxley 的出现打破了这一局限，它能够训练脑模型，使模型既能逼真模拟大脑过程，又能完成复杂任务，这对于从模拟结果推断真实大脑机制具有重要意义。
将人工神经网络训练方法引入脑模拟
研究团队借鉴了人工神经网络中的“误差反向传播”训练方法，通过反复调整模型参数，使输入数据能够生成期望输出。在训练过程中，网络能够自动识别哪些神经元特性和连接对于特定任务至关重要，并在面对新的相似任务时依然能够得出正确结果。图宾根团队将这一方法成功应用于脑模拟中，从而解决了以往无法精确调控大脑模型中成百上千不可测参数的问题，如神经元大小、连接强度及离子通道数量等。
精细脑模型实现复杂认知任务
经过训练的脑模型能够进行图像分类或模拟记忆存储与调用等复杂任务。“Jaxley 可以不断调整模型参数，直到模拟结果达到预期，这使我们能够研究神经机制如何支持认知任务的完成，”Deistler 说。Macke 教授补充道：“这款软件将使神经科学家能够在计算机模拟中深入研究大脑的复杂性。”
长期来看，Jaxley 不仅为基础脑科学研究提供了新工具，也有望应用于医学领域，例如更好地理解神经系统疾病，或在药物研发前进行虚拟测试，从而减少实验成本和风险。
研究亮点
-
Jaxley 软件能够同时实现大脑过程逼真模拟与认知任务执行。
-
借助误差反向传播训练方法，可调整脑模型中难以测量的参数。
-
模型成功执行图像分类与记忆模拟任务，为神经科学研究提供全新工具。
这一成果标志着脑模拟研究进入新的阶段，未来有望推动神经科学、人工智能与医学研究的深度融合。
参考文献：Michael Deistler et al, Jaxley: differentiable simulation enables large-scale training of detailed biophysical models of neural dynamics, Nature Methods (2025). DOI: 10.1038/s41592-025-02895-w
编辑：王洪
排版：李丽
评论 (0)