用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/hiyenwong/ai_collection --skill microns-cortical-rnn-inductive-biases命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | microns-cortical-rnn-inductive-biases |
| description | 利用MICrONS功能连接组学数据构建生物合理的RNN。整合皮质几何、解剖连接和功能关系作为归纳偏置，实现更有效的学习和收敛到生物计算的组织原则。 |
| trigger_words | ["MICrONS","cortical geometry","recurrent neural network","inductive bias","functional connectomics","biological computation","spatial embedding","anatomical connectivity"] |
利用MICrONS功能连接组学数据集（钙成像与电镜重建共注册）构建生物合理的循环神经网络。通过整合皮质几何、解剖连接和功能关系作为归纳偏置，在网络学习中引入通信感知的空间约束，实现比基线模型更有效的学习和更好的收敛到生物计算的组织原则。
数据集创新：使用MICrONS数据集的近12,000个兴奋性神经元
归纳偏置整合：
架构设计：
组织原则：
# MICrONS数据结构
- neuronal_spatial_coordinates: 3D空间位置
- anatomical_connectivity: 电镜重建的突触连接
- functional_relationships: 钙成像的功能相似性
- 12,000+ excitatory neurons from mouse visual cortex
# 功能权重初始化
W_func = compute_functional_weights(functional_relationships)
# 解剖权重初始化
W_anatomical = extract_anatomical_connectivity(em_reconstruction)
# 空间嵌入
spatial_embedding = compute_spatial_constraints(coordinates)
# 通信感知的空间约束
def train_with_constraints(model, data, spatial_constraints):
# 初始化权重
model.init_weights(functional_weights, anatomical_weights)
# 应用空间约束
model.apply_spatial_embedding(spatial_constraints)
# 在认知任务上训练
for task in decision_making_tasks:
optimize_with_constraints(model, task, constraints)
# 三个认知决策任务
tasks = [
'two_choice_decision',
'multi_stimulus_integration',
'context_dependent_choice'
]
# 评估指标
metrics = {
'accuracy': task_performance,
'entropy': network_organization,
'modularity': module_structure,
'small_world': network_topology
}
| Metric | Baseline | Partial Constraints | Full Biological Constraints |
|---|---|---|---|
| Task Accuracy | 0.65 | 0.78 | 0.91 |
| Network Entropy | 0.85 | 0.52 | 0.28 |
| Modularity | 0.12 | 0.45 | 0.73 |
| Small-world Index | 1.2 | 2.1 | 4.5 |