菜单
神经动力学通用翻译器方法论。在单细胞、单脉冲分辨率下翻译不同神经模型的动力学，实现跨模型动力学对齐。适用于神经元模型转换、动力学分析、计算神经科学。触发词：神经动力学、模型翻译、脉冲分辨率、神经元模型、neural dynamics、universal translator、single-spike。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
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 neural-dynamics-universal-translator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 | neural-dynamics-universal-translator |
| description | 神经动力学通用翻译器方法论。在单细胞、单脉冲分辨率下翻译不同神经模型的动力学，实现跨模型动力学对齐。适用于神经元模型转换、动力学分析、计算神经科学。触发词：神经动力学、模型翻译、脉冲分辨率、神经元模型、neural dynamics、universal translator、single-spike。 |
| user-invocable | true |
构建"通用翻译器"，在单细胞、单脉冲分辨率下对齐不同神经模型的动力学行为。
来源： arXiv:2407.14668 效用： 0.93
import numpy as np
from scipy.optimize import minimize
class NeuralDynamicsTranslator:
"""神经动力学通用翻译器"""
def __init__(self):
# 支持的模型类型
self.models = {
'LIF': self.lif_dynamics,
'Izhikevich': self.izhikevich_dynamics,
'HH': self.hh_dynamics
}
def lif_dynamics(self, params, I):
"""LIF 模型动力学"""
tau_m, v_thresh, v_reset = params
v = -65.0
spikes = []
dt = 0.1
for t, current in enumerate(I):
dv = (-(v + 65) + current) / tau_m
v += dv * dt
if v > v_thresh:
spikes.append(t * dt)
v = v_reset
return np.array(spikes)
def izhikevich_dynamics(self, params, I):
"""Izhikevich 模型动力学"""
a, b, c, d = params
v = -65.0
u = b * v
spikes = []
dt = 0.1
for t, current in enumerate(I):
dv = 0.04*v**2 + 5*v + 140 - u + current
du = a * (b * v - u)
v += dv * dt
u += du * dt
if v >= 30:
spikes.append(t * dt)
v = c
u += d
return np.array(spikes)
def hh_dynamics(self, params, I):
"""简化 Hodgkin-Huxley 模型"""
gNa, gK, gL = params
# 简化实现...
v = -65.0
spikes = []
dt = 0.1
for t, current in enumerate(I):
# HH 方程简化
dv = current - 0.1 * (v + 65)
v += dv * dt
if v > 0:
spikes.append(t * dt)
v = -65.0
return np.array(spikes)
def translate(self, source_model, target_model, source_params, input_current):
"""
翻译动力学：找到目标模型参数使其产生相似的脉冲模式
Parameters:
-----------
source_model : str
源模型名称
target_model : str
目标模型名称
source_params : tuple
源模型参数
input_current : np.ndarray
输入电流
Returns:
--------
target_params : tuple
翻译后的目标模型参数
"""
# 生成源模型的脉冲模式
source_spikes = self.models[source_model](source_params, input_current)
# 定义目标函数：最小化脉冲模式差异
def objective(target_params):
target_spikes = self.models[target_model](target_params, input_current)
return self.spike_distance(source_spikes, target_spikes)
# 优化寻找最佳参数
initial_params = self.get_default_params(target_model)
result = minimize(objective, initial_params, method='Nelder-Mead')
return result.x
def spike_distance(self, spikes1, spikes2):
"""计算两个脉冲序列的距离"""
if len(spikes1) == 0 and len(spikes2) == 0:
return 0.0
# 使用 Victor-Purpura 距离
# 简化实现
return abs(len(spikes1) - len(spikes2)) + np.mean(np.abs(np.diff(spikes1) - np.diff(spikes2))) if len(spikes1) > 1 and len(spikes2) > 1 else 100.0
def get_default_params(self, model):
"""获取模型默认参数"""
defaults = {
'LIF': (20.0, -50.0, -65.0),
'Izhikevich': (0.02, 0.2, -65.0, 8.0),
'HH': (120.0, 36.0, 0.3)
}
return defaults.get(model, (1.0,))
将 LIF 模型参数翻译为 Izhikevich 等效参数。