了解神经网络的结构如何决定网络的动力学行为，并进而影响大脑的计算，是理论神经科学研究的核心问题。网络结构对网络动力学的影响可以有两个方面：一、它决定了网络的稳定状态，即神经系统的联想式记忆；二、它决定了网络状态空间的大尺度结构，这对大脑的很多高级功能也会有直接的影响。比如，运动控制、空间导航、群解码及物体分类。最近，一种新的命名为连续吸引子网络的神经网络吸引了人们的广泛兴趣。这种网络已经被成功地用来描述连续变量，如物体的朝向，运动方向或空间位置信息，在大脑中是如何储存及表达的。最近有心理物理实验表明连续吸引子网络在大脑的信息处理中有可能起到了更广泛的作用，即它提供了一个记录物体之间相互关系的框架。我们计划在如下几个方面展开研究：1）发展一套数学工具来描述感知的物体的相似性是如何由网络状态空间的结构来表达的；2）研究生物系统是如何学会连续吸引子网络的，以及它们在神经信息处理中的作用；3）进行一系列心理物理实验来证明理论的预测；4）探讨连续吸引子网络在机器学习算法上的应用。

 

二、脑成像数据的信息提取
　　模式识别方法，如支持向量机，正成为一种有效的工具来提取脑成像数据所含有的信息。利用这种方法，人们成功地从脑功能核磁成像数据中识别了物体的朝向、位置及类别。因此，这种方法具有广泛的应用前景。应用模式识别器一个最大的障碍是：脑成像数据通常有很大的噪音，而且由于实验时间的限制，收集到的可用于训练识别器的例子通常会很少。这就导致了在统计学习中所谓的维数灾难问题。因此，尽管脑成像数据包含了物体性质的足够信息，一个没有得到充分训练的模式识别器极有可能无法读出这些信息。我们计划发展一套新的模式识别方法来解决这个困难，并将它推广到更多的脑成像数据分析，比如，脑电图、脑磁图、以及光学成像。