摘要
现代神经科学依赖整合多尺度、多模态数据集以揭示智能背后的神经原理,但异构数据和碎片化工作流带来了严峻的分析挑战。本文提出SeekBrain,一个自主多智能体框架,旨在通过领域驱动的分层规划和跨模态数据分析加速神经科学发现。SeekBrain从代码-论文对中动态提取分析配方库,结合代理规划与执行引擎,按需生成假设和分析流水线。在BrainArena基准测试中,其性能显著优于现有基线。在实际应用中,它成功揭示了幼斑马鱼行为的分布式神经表征及小鼠决策任务中的区域解码强度共享轴,证明了其作为可扩展数据驱动发现工具的实用性。
AI 推荐理由
论文核心在于通过分层规划引擎动态构建分析流程,属于多智能体任务规划与执行机制研究。
研究机构
上海人工智能实验室
中国科学院脑科学与智能技术卓越创新中心
香港东南大学
复旦大学
纽约大学
论文信息