首都师范大学心理学院梁佩鹏教授课题组与日本前桥工业大学钟宁教授（日本工程院外籍院士，首都师范大学特聘教授）团队、北京工业大学、澳大利亚南昆士兰大学合作，在国际学术期刊《先进科学》（Advanced Science，Q1，IF =" 15.1）在线发表题为《永不停止学习的可解释性脑计算》（Never-Ending" Learning for Explainable Brain Computing）的研究论文。该研究提出了一种可解释的多源脑大数据智能计算框架，基于人类参与的永不停止学习（Never-Ending Learning）范式，将证据组合-融合计算方法集成到知识-信息-数据（Knowledge-Information-Data, KID）学习中，并验证应用于推理脑研究中。

该研究结合多任务功能影像数据分析的内部证据学习，以及公开发表的功能影像文献分析的外部证据学习，旨在支持可解释、可泛化、鲁棒的脑大数据智能计算。其核心在于联合运用知识驱动的正向推理和数据驱动的反向推理进行永不停止学习，并集成预训练的语言建模技术以及人机交互学习（Human-in-the-Loop）机制，实现对人脑高阶认知功能的系统性解析。具体地，该方法框架首先学习不同认知实验的多维设计参数，以及各实验之间的逻辑规则和映射权重。然后，根据规则集成多源脑数据资源，并结合映射权重对搜索的资源进行对齐与融合计算，得到不确定性参数值τ和支持度参数值γ，进而推断脑结构与认知功能之间的多对多映射关系。实验表明，该方法框架通过综合运用多源多任务功能影像数据的融合计算及不确定性推理，有助于进一步加深对归纳推理等脑高阶认知功能的理解。

该论文成果有助于深度解码人脑复杂的信息处理机制，为脑认知神经科学研究开辟了系统性计算与多维度解析的新路径。随着时间的推移，可利用新收集到的内部和外部多源证据，结合永不停止学习范式，实现多视角持续性的证据组合-融合计算、知识驱动的正向推理和数据驱动的反向推理为核心的KID（知识-信息-数据）循环学习，有望为进一步揭示人类智能的内在表征及机制提供脑大数据智能计算新技术。

本文是梁佩鹏课题组与钟宁院士团队围绕脑信息学这一新型交叉学科系列研究中的最新研究成果，其他一些前期成果发表在《信息融合》（Information FusionQ1，IF=17.564）等期刊及会议上。

论文链接：https://doi.org/10.1002/advs.202307647