王超名

博士，青年研究员，研究组组长

Email：wangchaoming@@gdiist.cn

个人简介

王超名，青年研究员，大尺度脑仿真研究组组长。2018年本科毕业于北京交通大学，2023年于北京大学取得博士学位，在2023-2025年期间任北京大学博雅博士后研究员。主持国家自然科学基金青年基金，中国博士后面上项目基金。王超名博士专注于大尺度脑仿真的软件、算法，和模型，相关研究工作在Nature Communications、eLife、Cell Reports等高水平期刊和ICLR等人工智能会议上发表论文10余篇，并已获得多项国家发明专利授权。

他领导开发了多个原创的脑动力学建模框架，包括（1）BrainPy框架实现了即时编译的多尺度脑动力学编程系统，大幅提高了大脑建模的计算效率；（2）BrainUnit/SAIUnit系统将标准化物理单位引入高性能AI 计算架构，显著提升了大脑建模的准确性、可维护性、和物理意义；（3）BrainTaichi框架提供了稀疏计算与事件驱动的算子编程能力，有效降低了计算复杂度；（4）BrainScale系统实现了线性内存复杂度 0(N) 的脉冲神经网络在线学习。这些工具协同构建了一个多尺度、可微分建模工具链，实现了AI 计算框架与大脑模拟技术的深度融合。

此外，他的研究成果获得科技创新2030“脑科学与类脑研究”项目支持，连续两年获得新一代人工智能开源开放平台OpenI启智社区优秀项目奖（2021年/2022年）。

大尺度脑仿真研究组

本研究组致力于推动人类对大脑工作机制的认知，通过构建覆盖神经元、脑区直至全脑网络的多尺度、高精度仿真平台与模型，揭示认知与智能的本质机理。具体而言，我们聚焦大尺度脑仿真的基础软件、前沿算法、核心理论与应用探索，以打造兼具生物真实性与计算功能的全尺度脑模型为核心目标。

为此，我们深入研究基于神经动力学的大规模脑网络建模方法，并开发高性能并行计算框架，以支撑复杂脑活动的仿真与分析。通过融合计算神经科学、高性能计算和人工智能技术，我们致力于推动从微观神经元活动到宏观认知行为的系统性仿真研究，为理解大脑功能和开发类脑智能提供关键工具和理论支撑。

当前，研究组的核心研究方向包括：

1、大尺度脑仿真的软件生态系统：基于研究组自主研发的 BrainPy、BrainUnit/SAIUnit、BrainTaichi、BrainScale 等编程框架，我们研发分布式脑计算的高效并行算法与架构，构建可兼容异构计算系统的神经网络仿真平台。该平台旨在突破现有仿真规模的瓶颈，最终支持千亿级神经元规模的全脑动力学仿真模拟，为复杂脑活动的解析提供强大的工具支撑。

2、大尺度脑仿真的建模算法：依托研究组 BrainScale 在线学习系统，我们研发资源优化的全脑尺度仿真算法、模拟大脑模块化认知功能的学习机制，以及“数据+任务”双驱动的多尺度大脑建模方法。通过这些算法的开发，我们旨在揭示大脑结构、神经活动和认知功能之间错综复杂的关联，为理解智能的神经基础提供理论框架。

3、大尺度脑仿真的计算模型：以前期研发的大尺度脑仿真软件和算法为基础，并整合多模态神经科学数据，我们致力于构建跨越分子、细胞、环路和系统等多层次的脊椎动物大尺度脑动力学模型。更进一步，我们将这些模型应用于脑疾病机制的研究，以及发展新颖的生物兼容人工智能算法，推动大尺度脑仿真的应用研究。

本研究组官方GitHub账号https://github.com/chaobrain，其围绕大尺度脑仿真的软件、算法和模型完全开源，以期推动该领域的开放协作与技术共享。

 

研究组拥有先进的计算资源和开放的学术氛围，与国内外顶尖科研机构建立紧密的合作关系，欢迎来自神经计算、人工智能、高性能计算等领域的有志之士应聘助理研究员、博士后、工程师、博士生、硕士生、实习生等岗位。有意者，请邮件联系。

代表论著

  1. 1. Chaoming Wang, Xingsi Dong, Jiedong Jiang, Zilong Ji, Xiao Liu, and Si Wu. “BrainScale: Enabling Scalable Online Learning in Spiking Neural Networks”. Preprint (2025).

  2. 2. Chaoming Wang#, Sichao He#, Shouwei Luo, Yuxiang Huan, Si Wu. “Integrating physical units into high-performance AI-driven scientific computing”. In: Nature Communications 16 (2025). https://doi.org/10.1038/s41467-025-58626-4

  3. 3. Shangyang Li#, Chaoming Wang#, and Si Wu. “Spindle oscillations emerge at the critical state of electrically coupled networks in the thalamic reticular nucleus”. In: Cell Reports 43.10 (2024). https://doi.org/10.1016/j.celrep.2024.114790 

  4. 4. Chaoming Wang#, Tianqiu Zhang#, Sichao He, Yifeng Gong, Hongyaoxing Gu, Shangyang Li, and Si Wu. “A differentiable brain simulator bridging brain simulation and brain-inspired computing”. In: The Twelfth International Conference on Learning Representations (2024). https://openreview.net/forum?id=AU2gS9ut61 

  5. 5. Chaoming Wang*, Muyang Lyu, Tianqiu Zhang, Si Wu*. “A Differentiable Approach to Multi-scale Brain Modeling”. In: ICML 2024 Workshop on Differentiable Almost Everything. 2024. https://openreview.net/forum?id=a6cpnxdGq7 

  6. 6. Ke Yang, Yanghao Wang, Pek Jun Tiw, Chaoming Wang, Xiaolong Zou, Rui Yuan, Chang Liu, Ge Li, Chen Ge, Si Wu, Teng Zhang, Ru Huang, Yuchao Yang. “High-order sensory processing nanocircuit based on coupled VO2 oscillators”. In: Nature Communications 15.1 (2024). https://doi.org/10.1038/s41467-024-45992-8

  7. 7. Chaoming Wang, Tianqiu Zhang, Xiaoyu Chen, Sichao He, Shangyang Li, Si Wu. “BrainPy, a flexible, integrative, efficient, and extensible framework for general-purpose brain dynamics programming”. In: eLife 12 (2023). Ed. by Marcel Stimberg. https://doi.org/10.7554/eLife.86365 

  8. 8. 王超名, 陈啸宇, 张天秋, 吴思. 神经计算建模实战：基于 BrainPy. 电子工业出版社 (2023年年度好书), 2023. https://book.douban.com/subject/36437736/

  9. 9. Chaoming Wang, Yingqian Jiang, Xinyu Liu, Xiaohan Lin, Xiaolong Zou, Zilong Ji, Si Wu. “A just-in-time compilation approach for neural dynamics simulation”. In: Neural Information Processing: 28th International Conference, 2021. https://doi.org/10.1007/978-3-030-92238-2_2 

  10. 10. Chaoming Wang, Shangyang Li, and Si Wu. “Analysis of the Neuron Dynamics in Thalamic Reticular Nucleus by a Reduced Model”. In: Frontiers in Computational Neuroscience 15 (2021). https://doi.org/10.3389/fncom.2021.764153 

  11. 11. Chaoming Wang, Risheng Lian, Xingsi Dong, Yuanyuan Mi, and Si Wu. “A Neural Network Model With Gap Junction for Topological Detection”. In: Frontiers in Computational Neuroscience 14 (2020). https://doi.org/10.3389/fncom.2020.571982 


王超名研究组