BrainPy（中文名：灵机）是由北京大学吴思教授团队联合广东省智能科学与技术研究院研发的通用脑动力学编程框架，于2023年12月在国际顶刊《eLife》正式发表相关研究成果。作为面向计算神经科学和类脑计算领域的专用工具，它以\"让用户聚焦模型设计而非编程细节\"为核心目标，通过整合灵活建模、高效计算与一体化分析能力，解决了传统框架的诸多痛点，同时实现了从软件到硬件的全链路适配，成为该领域的重要技术突破。
一、定位与背景
计算神经科学作为连接脑科学与人工智能的交叉学科，亟需高效的编程工具支撑复杂的神经动力学建模。然而传统主流框架存在明显局限：NEURON、NEST等需依赖底层C++/SLI语言实现自定义模型，学习成本高；Brian2采用字符串编程范式，虽简化操作但缺乏灵活性与代码透明度，且无法支持动力学分析功能。
为填补这一空白，吴思团队历经数年研发，推出集\"灵活、综合、高效、可扩展\"四大特性于一体的BrainPy框架。它不仅提供了统一的编程接口，还实现了与全球首颗亿级神经元规模类脑芯片\"天琴芯\"的深度适配，构建了从软件建模到硬件部署的完整解决方案。目前该框架已在GitHub、启智社区等平台开源，全球50余个实验室将其用于科研工作，月下载量超10k次。
二、关键技术优势
1.极致的易用性与灵活性
BrainPy以NumPy作为核心建模语言，其语法与数学公式高度契合，具备Python基础的用户可快速上手。框架不预设模型限制，提供丰富的计算API、数据结构与数学操作工具，用户可自由组合这些组件定义个性化神经动力学模型，模型逻辑完全透明可掌控，大幅降低调试难度。例如通过简洁的装饰器语法，即可完成常微分方程（ODE）与随机微分方程（SDE）的定义与求解。
2.模拟与分析一体化
这是BrainPy区别于传统框架的核心特性之一。用户基于同一模型可无缝完成多重任务：不仅能进行神经动力学模拟、离线/在线学习及反向传播训练，还可直接调用内置工具开展低维分岔分析、高维慢点分析等理论研究，无需在多个平台间重复编程建模。框架通过语法树分析技术，实现了与SymPy的兼容，支持符号推理与复杂方程数值求解的深度融合。
3.高性能计算能力
BrainPy基于即时编译（JIT）技术构建计算核心，支持JAX、Taichi、Numba等多种编译器后端。通过将Python代码实时编译为机器码，其计算性能可媲美手写CUDA程序。针对稀疏脉冲网络场景，框架专门设计了事件驱动算子，计算速度比传统稠密算子提升2-4个数量级。这种高效性使大规模神经网络的并行仿真成为可能，为亿级神经元模型的研究提供了算力支撑。
4.全链路可扩展性
在软件层面，新功能可通过插件模块实现快速扩展，底层算子支持通过Python接口进行自定义开发，无需修改框架核心代码；在硬件层面，通过模型描述性接口与\"天琴芯\"的编译层对接，实现了神经动力学模型向专用类脑硬件的高效部署，继承大脑计算特性的同时大幅提升运行速度。这种\"软硬协同\"的可扩展性使其能适应不断发展的领域需求。
三、核心功能与应用场景
1.核心功能模块
•模型库：内置11种神经元模型、13种突触模型及4种神经网络模型，覆盖基础研究需求；
•微分方程求解器：支持ODE、SDE等多种方程类型，提供灵活的积分接口；
•仿真引擎：通过DynamicalSystemRunner等组件实现模型的便捷运行与监控；
•分析工具集：包含相图分析、分岔分析等动力学研究模块；
•硬件适配层：实现与\"天琴芯\"等类脑芯片的无缝对接。
2.典型应用场景
•计算神经科学研究：用于构建复杂神经网络模型，探究神经元与突触的动力学特性，研究大脑认知功能机制；
•类脑计算开发：基于大脑工作机制设计新型AI模型，为机器学习提供新思路；
•神经形态工程：支撑神经形态硬件的软件建模与验证，推动新型计算技术产业化；
•教学实践：北京大学已将其用于本科教学，即使无神经科学背景的学生也能快速掌握建模技能。
四、快速入门指南
1.环境配置
BrainPy支持Python 3.8及以上版本，推荐使用3.9-3.11版本。基础安装可通过pip命令完成，也支持Docker容器化部署或Binder在线体验：
bash
# 基础安装
pip install brainpy
# Docker部署
docker pull brainpy/brainpy:latest
docker run -it --platform linux/amd64 brainpy/brainpy:latest
对于GPU加速需求，需先配置CUDA环境，再通过conda创建专用虚拟环境安装对应版本。
2.入门示例：HH神经元模型仿真
以下代码实现了霍奇金-赫克斯利（HH）神经元模型的构建、仿真与结果可视化，完整展示了BrainPy的核心使用流程：
python
import brainpy as bp
import matplotlib.pyplot as plt
def simulate_hh_neuron():
# 定义HH神经元模型（1个神经元）
hh_neuron = bp.neurons.HH(1)
# 生成阶跃输入信号（0.5强度，持续100ms，时间步长0.1ms）
inputs = bp.inputs.step_input(0.5, duration=100., dt=0.1)
# 创建仿真运行器，监控膜电位V
runner = bp.DynamicalSystemRunner(hh_neuron, inputs=inputs, monitors=('V'))
# 运行仿真100ms
runner.run(100.)
# 绘制膜电位变化曲线
plt.plot(runner.mon.ts, runner.mon.V[0])
plt.xlabel('Time (ms)')
plt.ylabel('Membrane Potential (mV)')
plt.title('HH Neuron Simulation with BrainPy')
plt.show()
# 执行仿真
simulate_hh_neuron()
五、发展历程与生态建设
BrainPy的发展历经多个关键阶段，逐步构建起完善的技术生态：
阶段\t时间\t核心里程碑
原型期\t2021年下半年\t提出\"即时编译脑动力学\"理念，完成JAX后端验证
开源发布\t2022年3月\tGitHub开源，当月Star量突破1k，发布官方文档
生态完善\t2022年Q3-2023年Q2\t支持Taichi、Numba多后端，上线示例库与交互式教程
顶刊发表\t2023年12月\t《eLife》论文上线，北大与广东省智能院联合官宣
硬件协同\t2024年1月\t完成与\"天琴芯\"适配，实现软硬一体可编程
社区扩展\t2024年6月起\t入选和鲸101计划、启智社区推荐框架，CSDN相关博文超50篇
目前其生态系统已包含brainpy-examples（案例库）、brainpy-datasets（专用数据集）及配套培训课程等资源，为不同层次用户提供完整学习路径。
六、总结与展望
BrainPy通过\"Python原生语法+JIT编译加速+模拟分析一体化+硬件适配\"的创新架构，打破了计算神经科学领域软件工具的性能与灵活性瓶颈，被业内称为\"神经科学版PyTorch\"。它不仅降低了交叉学科研究的技术门槛，还为类脑计算从理论建模到硬件实现的转化提供了关键支撑。
