Brain Reasoning Models：基于GNN和fMRI的数学推理脑签名提取框架

Brain Reasoning Models（BRMs）项目由iririthik开发，核心是利用图神经网络（GNN）和Meta的Tribe V2模型，从功能性磁共振成像（fMRI）数据中提取数学推理的"脑签名"，实现无需显式训练的有机算术推理能力。与传统AI数学推理依赖大量标注数据和符号输入不同，BRMs通过模拟人类大脑的神经激活模式，开辟了新的推理范式。

传统AI数学推理通常采用显式输入组合方程、依赖外部分词器处理表达式、需要大量标注数据进行监督学习的方式。而BRMs则另辟蹊径：不直接输入数学表达式，不依赖外部分词器，而是通过精心设计的数学构建块词典进行学习，聚焦于脑签名的拓扑重叠来实现推理。

BRMs的核心是Exact-Word Mathematical Model端到端框架，其数学构建块词典包括数字（0-9）、语言数字表示（如英文单词）、基础运算符（+、-、×、÷、=）及功能结构词（如sum、plus）。框架通过学习脑签名的生物与拓扑重叠（Jaccard重叠），利用图卷积网络（GCN）实现泛化、合成和触发相关数学概念。执行流程分为五步：词汇表配置→生成功能性神经激活→构建Wernicke图→训练脑签名网络→交互式时间推理。

BRMs的解码器是多标签签名提取器，输入数学问题时输出整体概率激活分布（如"24"0.99、"+"0.98等），能检索完整概念指纹并激活多个相关概念。系统训练高效：词汇表精简到0-100数字及基础运算符，训练时间不到一分钟，推理速度实时交互。

BRMs的应用前景包括认知科学研究（识别数学推理关键脑区、探索神经可塑性）、教育应用（个性化学习路径、学习困难诊断）、AI系统增强（复杂数学推理、逻辑问题解决）。当前局限性：词汇表限于基础算术（0-100）、验证于简单问题、依赖Tribe V2生成的模拟脑数据。未来需扩展到复杂数学领域、验证真实fMRI数据、提高推理准确性。

BRMs代表了全新的AI数学推理范式，不依赖大规模监督学习，而是通过模拟人类大脑神经激活模式实现有机推理。其核心洞察是数学推理是大脑中多个神经签名协同激活的结果。该项目为神经科学、认知科学与人工智能交叉领域提供了研究方向，有望推动更类人智能系统的构建。