NS-Copilot：面向自主神经科学分析的 LLM 驱动 Agent 系统

arXiv:2609.01971v1 公告类型: 新发布

摘要: AI 正快速推动神经科学发展，然而由于显著的跨学科壁垒，许多实验室未能充分释放其潜力。尽管面向生理数据的预训练神经模型进展迅速，但其异构架构和模态特定限制阻碍了系统性的整合、选择与评估。尽管近期基于大语言模型（LLM）的 Agent 系统在智能科学应用领域取得进展，现有方法往往仍缺乏有效选择和协调多样化神经科学预训练模型、以及处理该领域独特数据类型所需的专业领域知识。我们提出 NS-Copilot，一种面向神经科学分析的 LLM 驱动多 Agent 系统，能够自主支持多样化专业任务的全流程工作流。它统一了领域特定的预训练模型，并通过自然语言接口支持脑电图（EEG）和胞外 spike 数据等关键神经科学模态。给定原始数据和任务描述，NS-Copilot 可编排具备专业角色的 Agent 进行规划、自适应控制、代码生成和结果综合，无需依赖数据集特定的启发式方法即可完成分析。我们在涵盖阿尔茨海默病、帕金森病和工作记忆 spike 解码的神经科学 benchmark 上对 NS-Copilot 进行评估。每项任务经过 8 次试验，该系统在主要指标上始终优于强基线方法，展示了 NS-Copilot 实现高效且可扩展的神经科学分析的能力。