机器学习算法
机器学习的可解释性研究旨在破解模型的“黑箱”难题，其核心是从三个层面系统理解AI的决策逻辑：理论层面确立何为可信解释的准则；动力学层面剖析模型从数据中学习的训练过程与演化路径；机制层面则揭示其内部如何自动提取与组织有效特征。当前的前沿方向，更是致力于寻求一个统一的理论框架，以穿透CNN、RNN、MLP和Transformer等不同架构的形式差异，探寻它们在学习机制底层共享的共性规律，为构建下一代可信AI奠定基石。
复杂系统
复杂系统研究旨在破解“整体大于部分之和”的涌现之谜，其核心是从三个层面系统理解宏观秩序的生成逻辑：理论层面揭示相变、混沌与临界性等普适规律；动力学层面解析系统组分相互作用形成的演化路径与稳定状态；机制层面则阐明简单规则如何通过反馈与自适应催生复杂行为。当前的前沿方向，正致力于建立跨学科的统一框架，以穿透物理、生物、社会等不同系统领域的表象差异，探寻它们在内禀组织原理层面共享的深层规律，为预测与控制现实世界复杂现象提供理论基础。
脑影像及类脑智能算法
（斑马鱼）脑影像及类脑智能算法研究旨在破解生物智能与机器智能的双向映射难题，其核心是从三个层面构建双向驱动的研究范式：在脑观测层面，通过多模态影像技术解析神经环路的结构与功能特性；在机制建模层面，将大脑的层次化处理、脉冲计算等原理转化为可计算的类脑算法；在融合验证层面，利用AI模型解码脑活动的同时，通过神经科学发现验证和启发新算法。当前的前沿方向正致力于建立脑科学与AI的统一计算框架，以穿透生物神经网络与人工神经网络的表现差异，探寻其在信息处理、记忆机制等底层原则的共享规律，为实现新一代通用人工智能与脑疾病精准诊疗提供理论基础。
