脑动力学建模利用计算模型仿真与阐明大脑功能，正受到不同学科研究人员越来越多的关注。最近，全球范围内启动了脑科学领域的大型项目，这些项目不断产生有关连接结构和神经活动的新数据。计算建模是解释这些海量数据不可或缺的基本工具。然而迄今为止，领域内仍然缺乏一个用于脑动力学建模的通用编程框架。特别地，随着越来越多海量神经数据的产生、模型仿真复杂度的日益增长、建模手段、方法及目标的日趋多样化，我们比以往任何时候都更迫切地需要开发通用的建模工具，以帮助我们轻松构建、模拟、训练和分析多尺度及大尺度的大脑动力学模型。

为了填补这个需求，吴思团队历经数年打磨，推出了灵活、综合、高效且可扩展的通用脑动力学编程框架BrainPy。

BrainPy框架具备高度的灵活性，允许用户自由定义脑动力学模型。它集成了事件驱动算子、微分方程求解器和通用模型构建接口等工具，使用户能够根据需要灵活调整模型。这一综合性的基础设施为构建全面而强大的脑动力学建模框架奠定了坚实基础。BrainPy不仅提供了一个综合性的研究平台，还支持模拟、训练和分析等多种应用场景。通过一个模型，用户可以进行模拟、离线学习、在线学习或反向传播训练，并进一步进行低维分岔分析或高维慢点分析等分析工作。在性能方面，BrainPy通过面向对象的即时编译（JIT）和针对脑动力学特性的专用算子实现了显著的提升。这使得代码执行更为高效，进一步提高了模拟和分析的准确性和速度。

此外，BrainPy还具备良好的可扩展性。新的功能和扩展可以通过插件模块轻松实现，而底层算子甚至可以在用户级Python接口中进行扩展。这使得BrainPy能够适应不断发展的脑动力学领域，满足不断变化的科研需求。

另一个亮点是，BrainPy可以适配天琴芯，通过BrainPy提供模型的描述性接口，对接到硬件的编译层并部署到芯片上，通过事件驱动方式进行网络计算，继承了大脑计算特性的同时大大加快了运行速度，与此同时提供了自定义神经动力学模型的功能，真正地打通了从软件到硬件的可扩展性。

图1：BrainPy框架概览图