在类脑模型的应用和类脑计算模型的研究上具有一定经验。曾在中国科学院计算技术研究所实习，进行类脑芯片研发和生物全脑模型的模拟工作。长期进行类脑算法以及累脑计算模型（SNN）算法的研究工作，目前在电子科技大学进行类脑计算算法和类脑追踪的相关研究。公开发布学术文章6篇，此外还有5篇文章在审，均投稿至国际顶级学术会议。是 SNN 研究领域的两大开源项目 SNNTorch 和 SpikingJelly 的贡献者。长期担任 ICLR 等国际顶级期刊/会议审稿人。
类脑计算领域中的 Python
主题
4:50 p.m. - 5:20 p.m.
分会场 A(506 教室)
类脑计算领域的研究可大体分为两部分：类脑模型以及类脑计算模型，前者探索生物大脑的可解释性，后者借此开发高效的计算模型。人脑的全脑模型过于复杂，人们至今也没有成功进行全面的建模和探索，但神经元数量较少、神经结构相对简单的秀丽隐杆线虫和黑腹果蝇已被成功探索。有研究者基于此开发了 Flywares 和 Openworms 框架以分别模拟两种生物的每一个神经元，借此可以探索两种生物的神经元如何连接和如何参与决策，为类脑计算模型的研究提供支持。类脑计算模型的重心主要集中在脉冲神经网络（SNN）上，其具有的天然的 Spike-driven 特性与类脑芯片的独特设计搭配可以以不到百分之一的计算量和能耗实现与人工神经网络相似的性能。近年来的一些工作已经在目标检测、语义分割、视频时间定位和大语言模型等领域利用 SNN 进行了低功耗实现。随着人脑全脑模型的进一步完善以及类脑计算模型的进一步研究，类脑计算领域将在未来绽放更璀璨的光芒。
主题演讲中将介绍：
- 生物全脑模型的模拟，它们如何利用 Python 实现。
- 脉冲神经网络（SNN）的最新研究进展，以及它的独特特性。
- 基于 Python 脉冲神经网络模拟框架的设计。