CANNs：连续吸引子神经网络研究工具包——神经动力学建模的模块化解决方案

CANNs 是一个基于 BrainPy 和 JAX 构建的连续吸引子神经网络研究工具包，提供模型集合、任务生成器、分析工具和完整的 ASA 流程，支持从模拟到结果分析的全套研究工作流。

• 原作者/维护者： Routhleck (He Sichao, Tuerhong Aiersi, She Shangjun, Chu Tianhao, Wu Yuling, Zuo Junfeng, Wu Si)
• 来源平台： GitHub
• 原始标题： CANNs: Continuous Attractor Neural Networks Toolkit
• 原始链接： https://github.com/Routhleck/canns
• 发布时间： 2026年5月27日

---

CANNs（Continuous Attractor Neural Networks Toolkit）是一个专为连续吸引子神经网络研究设计的 Python 工具包。它基于 BrainPy 和 JAX 构建，并可选地使用 Rust 加速的 canns-lib 来处理性能关键例程（如 TDA/Ripser 和任务生成）。

该工具包整合了模型集合、任务生成器、分析器和 ASA 流程（GUI/TUI），使研究人员能够在一个统一的工作流中运行模拟并分析结果。API 将模型、任务、分析器和训练器分离，确保实验的模块化和可扩展性。

---

CANNs 库遵循模块化架构，由两个核心原则指导：关注点分离和通过基类实现可扩展性。

应用层 (Pipeline 编排)
    ↓
功能层 (Task, Trainer, Analyzer, Utils 模块)
    ↓
核心模型层 (CANN 实现)
    ↓
基础层 (BrainPy/JAX + Rust FFI 后端)
    ↓
硬件层 (CPU/GPU/TPU 支持)

1. Models (canns.models)：定义神经网络动力学

   • 基础 CANN（1D/2D，SFA）
   • 分层路径整合模型
   • Theta 扫描模型
   • 脑启发模型（Amari-Hopfield、线性/脉冲层）

2. Tasks (canns.task)：生成实验范式和输入数据

   • 平滑跟踪
   • 群体编码
   • 模板匹配
   • 开环/闭环导航

3. Analyzers (canns.analyzer)：提供可视化和分析工具

   • 能量景观
   • 调谐曲线
   • 光栅图/发放率图
   • TDA 和解码工具
   • 细胞分类

4. Trainers (canns.trainer)：实现脑启发模型的学习规则

   • HebbianTrainer
   • 可扩展的基类设计

5. Pipeline (canns.pipeline)：编排完整工作流

   • ASA 流程（GUI/TUI）
   • 端到端工作流：预处理 → TDA → 解码 → 结果可视化

每个模块专注于单一职责：模型不生成输入数据，任务不分析结果，分析器不修改参数。这种分离确保了可维护性、可测试性和可扩展性。

---

• 基础 CANN：1D/2D 连续吸引子网络，支持 SFA（Synaptic Facilitation and Depression）
• 分层路径整合：模拟动物导航中的路径整合机制
• Theta 扫描模型：模拟海马体 theta 振荡期间的扫描行为
• 脑启发模型：Amari-Hopfield 网络、线性层、脉冲神经网络层

• SmoothTracking：平滑跟踪任务，模拟连续运动刺激
• PopulationCoding：群体编码任务，研究神经群体如何编码信息
• TemplateMatching：模板匹配任务
• Navigation：开环和闭环导航任务