脑仿真建模算法
全脑尺度仿真需要同时满足生物真实性、计算效率、可解释性、学习能力四个常被认为相互矛盾的目标。本板块围绕实验室为弥合这些张力而发展的算法体系展开，并以两项代表性成果作为锚点。
重点成果 ①
BrainTrace：脉冲神经网络的模型无关、内存线性在线学习
脉冲神经网络（SNN）的在线学习长期受困于内存复杂度随时间线性增长的瓶颈。BrainTrace 提出一种基于资格迹（eligibility trace）的、与模型无关的在线学习算法，把内存开销压到线性级别，并可作为编译器嵌入任意 SNN 仿真。这让生物合理的局部学习规则首次能在大尺度脉冲网络上规模化运行，连通了「仿真」与「学习」两条路径。算法已实现为 BrainX 生态的 BrainTrace 模块。
Model-agnostic linear-memory online learning in spiking neural networks
重点成果 ②
可微多尺度脑建模：用梯度方法跨尺度联合优化
多尺度脑模型横跨细胞、环路、脑区，参数空间巨大，传统拟合方法效率低、可解释性弱。本工作把多尺度仿真过程完全可微化，使整个模型可以用梯度方法端到端联合优化，把「数据 → 多尺度模型」变成一条可学习的通路，大幅提升模型对实验数据的吻合度与解释力。这一方法学与 BrainX 的可微运行时直接耦合，是实验室可微仿真技术栈的基石。
A Differentiable Approach to Multi-scale Brain Modeling
这些算法不停留在论文中——它们直接落地为下一板块的全脑计算模型，使我们能够在虚拟脑中开展可重复的「计算神经科学实验」。