• 科研
• 高性能计算

想在 fly-brain 中复现 Nature 论文基准套件吗？本文带你用一条命令跑通--paper五轮实验，并彻底搞懂run-label如何管理 600 个 spike parquet 文件、断点续跑与结果校验。fly-brain 是基于 FlyWire 连接组（约 138k 神经元、500 万突触）的成年果蝇全脑 LIF 仿真基准，统一对比 Brian2、Brian2CUDA、PyTorch、NEST GPU、GeNN 与 Brian2GeNN 六大后端。

一、先搞懂：--paper 基准套件到底跑什么？

很多人第一次看到--paper参数就懵了。它其实是论文级别的"完整参数网格 + 重复轮次"预设，核心配置硬编码在 code/benchmark.py 中：

也就是说，每个后端每轮跑4 × 5 = 20 个参数组合，5 轮下来单后端产出 100 个结果行；六大后端合并后就是论文数据集中的600 个 spike parquet 文件（每轮 120 个）。

💡 与完整基准python main.py（t_run 含 1000 秒、单轮）不同，--paper时长上限是 100 秒、且强制 5 轮，专为论文可复现性设计。

二、一键安装步骤：准备好两个 conda 环境

复现前需要准备运行环境，入口在 main.py，环境定义在仓库根目录：

# 主环境：Brian2 / Brian2CUDA / PyTorch / GeNN（+ 系统级 NEST GPU） conda env create -f environment.yml conda activate brain-fly # Brian2GeNN 专用环境（Brian2 版本冲突，必须隔离） conda env create -f environment-brian2genn.yml conda activate brain-fly-brian2genn

• 主环境 environment.yml 覆盖 5 个核心后端；
• environment-brian2genn.yml 单独隔离 Brian2GeNN，因为它把 Brian2 钉死在<2.6，与 Brian2CUDA 的 Brian2 2.8.0 冲突；
• NEST GPU 需从源码编译自定义user_m1神经元模型，详见 README.md 的 "NEST GPU" 小节，编译源码在 scripts/nestgpu_source_files/。

三、最快配置方法：一条命令启动五轮实验

在brain-fly环境中执行：

python main.py --paper --run-label nature_2026_07

这条命令会按轮次循环：每轮依次调用 5 个后端 runner（code/run_brian2_cuda.py、code/run_pytorch.py、code/run_nestgpu.py、code/run_genn.py），每完成一个参数组合就增量写入data/benchmark-results.csv，即使中途中断也不会丢数据。

把 Brian2GeNN 作为第 6 个后端"加跑"进同一个 label：

conda activate brain-fly-brian2genn python main.py --brian2genn --paper --run-label nature_2026_07

⚠️ 注意：切换环境后追加的 Brian2GeNN 行会按run_label + round与原有行合并到同一 CSV 和同一目录，无需手动搬运。

四、run-label 机制详解：结果是怎么组织的？

--run-label是整个复现流程的"目录钥匙"，其实现位于 code/benchmark.py：

1. 消毒处理：sanitize_run_label()把非法字符替换为_，保证文件系统安全；
2. 目录分组：spike 输出落到data/results/<label>/round_XX/，每轮 120 个文件；
3. CSV 去重键：带 label 的行以(framework, n_run, t_run, experiment, run_label, round)为键保留历史行，而不像无 label 的一次性运行那样覆盖旧行；
4. 清单与校验：自动维护manifest.csv和checksums.sha256。

以官方数据集 data/results/nature_2026_07/ 为例，结构如下：

data/results/nature_2026_07/ ├── manifest.csv # 600 行 spike 文件清单（含 schema 版本） ├── checksums.sha256 # 600 条 sha256 校验和 └── round_01/ … round_05/ # 每轮 120 个 parquet，如 brian2cpp_t1.0s_n1.parquet

每行 spike parquet 的时间列统一为time_ms，并带trial、neuron_index、flywire_id、exp_name字段，六大后端共享同一 schema，这也是跨后端对比的基础。

五、中断了怎么办？断点续跑指南

五轮 × 六后端全量跑下来耗时很长（仅 Brian2 CPU 的n_run=32, t_run=100s单组就需约 1 小时）。main.py提供了两个参数配合续跑：

# 从第 3 轮开始，只再跑 3 轮 python main.py --paper --run-label nature_2026_07 --round-start 3 --rounds 3

• --round-start：指定起始轮号（见 main.py）；
• --rounds：覆盖默认的 5 轮；
• 由于 CSV 按 label + round 去重，重跑已有轮次会原地更新对应行，不会产生重复。

六、进阶技巧：--disable-spike-io 纯计时模式

论文中还有一组"无 I/O"对照数据：关闭 spike 探测与 parquet 输出，纯粹测量仿真速度：

python main.py --paper --rounds 1 --run-label nature_2026_07_noio --disable-spike-io

官方对照结果在 data/results/nature_2026_07/no_io/（见 no_io/README.md），120/120 全部成功。结论摘要：

原始数据见 no_io/timings.csv 与 no_io/timing_summary.csv。

七、结果校验：从 sha256 到地面真值对比

1. 校验 spike 包完整性

cd data/results/nature_2026_07 sha256sum -c checksums.sha256

2. 对比 Brian2 CPU 地面真值

Brian2 (CPU) 实现了 Shiu et al.（Nature 2024）的标准 LIF 模型，被用作神经精度基准。直接指定 label 和轮次即可：

python code/compare_ground_truth.py --run-label nature_2026_07 --round 1

脚本 code/compare_ground_truth.py 会计算活跃神经元 Jaccard 重叠度、逐神经元放电率相关系数与 spike 计数比，结果写入data/ground-truth-comparison.json。

3. 全后端两两对比

python code/compare_spike_outputs.py \ --run-label nature_2026_07 --round 1 \ --output-dir data/results/nature_2026_07/comparisons

code/compare_spike_outputs.py 产出pairwise_summary.csv、parity_rates.csv等文件；而 code/compare_backend_to_brian2.py 则用于论文支撑材料——把某个后端（如--backend brian2genn）与 Brian2 CPU 在全部 5 个轮次上做放电率一致性对比。

八、常见问题 FAQ

Q1：跑--paper一定要加--run-label吗？不是必须，但强烈建议。多轮运行不给 label 时，系统会用default_run_label()自动生成paper_YYYYmmdd_HHMMSS时间戳标签（见 code/benchmark.py），不方便跨轮对齐。

Q2：spike parquet 为什么没进 Git？600 个 parquet 体积过大，被有意 gitignore；仓库只提交 manifest.csv 和 checksums.sha256 作为元数据，完整数据包需从项目 README 说明的网盘下载后用校验和验证。

Q3：如何只看某一后端的五轮结果？在 data/benchmark-results.csv 中筛选run_label=nature_2026_07且backend_key匹配的行即可，例如brian2cpp、brian2cuda、pytorch、nestgpu、genn、brian2genn。

总结

复现 fly-brain 的 Nature 基准套件只需记住三步：备好两个 conda 环境 →python main.py --paper --run-label <标签>→ 用sha256sum -c和对比脚本验收。run-label + round的双重索引让 600 个 spike 文件各归其位，--round-start让长任务可随时续跑，这正是论文级可复现实验管理的最小完整方案。

• 科研
• 高性能计算