BrainX——实验室自主研发的开源脑仿真软件生态，覆盖从离子通道到全脑网络的多尺度建模，原生支持异构计算硬件，目标支撑数千亿神经元级别的全脑动力学仿真。
BrainX 是实验室自主研发的开源脑仿真软件生态，覆盖从离子通道、单细胞、神经环路到全脑网络的多尺度建模能力。其设计目标是把现代 AI 编译技术（JAX/XLA）引入计算神经科学，让脑动力学仿真原生支持 CPU/GPU/TPU 等异构加速硬件，并与深度学习生态无缝互通，最终把全脑动力学仿真规模推向数千亿神经元级别。
BrainX 按职责分层组合：底部是运行时与数值基础，中部是事件计算与多尺度建模，上层是学习算法与工具集。每一层皆可独立使用、共同协作。
BrainPy 是 BrainX 生态中面向通用脑动力学建模的核心框架，承担从科学模型到可执行仿真的统一抽象。它不是单一模型库，而是把神经元、突触、网络、神经质量模型、学习规则和实验流程组织为可组合、可微分、可编译的对象系统，使不同尺度、不同范式的脑动力学模型能够在同一套接口下表达、训练和复现。BrainPy 的创新在于将计算神经科学的机理建模与现代 AI 编译栈结合起来，依托 JAX/XLA 实现 JIT 编译、自动微分、向量化和异构硬件加速，让传统脑动力学仿真具备高性能执行、参数学习和任务驱动优化能力，为大规模脑仿真和类脑智能研究提供基础软件底座。下方四个条目从论文、方法和图书三个维度展开，覆盖 JIT 编译、高性能框架、可微仿真与实践教学，展示 BrainPy 如何在执行效率、系统抽象、可训练建模和应用传播之间形成完整的方法体系。
这篇工作聚焦 JIT 编译在神经动力学仿真中的实现路径，通过将模型方程转换为高效执行过程，减少解释层调度开销并提升批量仿真效率。它为 BrainPy 后续的编译执行、自动微分和异构硬件加速奠定了底层技术基础。
这项研究把 BrainPy 从高性能仿真框架推进到可微脑仿真平台，使神经动力学模型能够进入梯度优化、任务训练和数据拟合流程。参数、初始状态、损失函数与实验观测被统一在一个可训练计算图中，让脑仿真具备面向学习和优化的闭环能力。
BrainUnit 是 BrainX 生态中的单位感知科学计算引擎，面向脑动力学模型中大量带物理量纲的变量、参数和方程。它将物理单位系统嵌入数组计算、数学函数、自动微分和 JIT 编译流程，使离子通道、电生理变量、时间常数与突触参数在高性能执行中保持量纲一致，为可复现、可组合的多尺度脑仿真提供可靠数值基础。在实际建模中，BrainUnit 能把单位错误前置到构建和编译阶段，降低跨模型、跨尺度组合时的隐性数值风险，让科学计算代码更接近原始物理语义。
BrainTrace 是 BrainX 生态中的在线学习模块，面向大规模脉冲神经网络中随时间展开的学习问题。它将资格迹机制编译为模型无关、内存线性的在线学习流程，使生物合理的局部学习规则可以嵌入不同 SNN 模型，在长时间序列和大规模网络上保持可扩展执行。通过把状态演化、梯度传播和局部可塑性信息组织为可编译过程，BrainTrace 降低了对完整时间展开计算图的依赖，为在线适应、持续学习和神经形态算法验证提供统一接口。
