GNN 先学球体形变再零样本迁移，预测人类大脑皮层折叠

bravo_abad · x · 2026-09-21

Zhao 等研究者提出一种「先学简单系统、再迁移到真实系统」的方法，用于预测大脑皮层折叠。真实皮层折叠模拟代价高昂，纵向 MRI 数据又稀少，难以直接训练机器学习模型。

他们的做法：构建大量生长中的球体和椭球体的密集仿真库——这些简单几何体遵循与皮层折叠相同的非线性弹性与力学失稳物理，可以低成本大量探索；再用图神经网络（GNN）学习简单几何上的形变模式；训练好的模型零样本迁移到由 MRI 重建的人类大脑表面。这种方法为「系统太复杂、数据太少」的物理建模问题提供了可借鉴的思路，属于 AI for Science 方向的实用范式。