促进生物神经网络和人工神经网络的交叉融合，通过人工智能加速脑研究的科学发现。利用人工智能算法采集，处理，分析，理解大规模高维多模态的脑数据，在神经元以及其连接突触的单细胞尺度级别上理解大脑编码，计算和学习的新机制。

在NeurIPS、ICLR、ICML、CVPR、AAAI、MICCAI、Cosyne等人工智能和计算神经的国际顶级会议上共发表15篇著作。其中包括第一作者/共同一作/通讯作者的著作共11篇，并获得美国技术并获得一项专利和多项荣誉,包括EECS Rising Star, Shanahan Fellowship, Mathwork Fellowship, NlH award, Most Creative Applications of Al，并受邀在多个美国相关领域的学术研讨会进行口头报告。

科研成果被麻省理工学院新闻（MIT News）和福布斯采访报道。在神经科学研究中得到广泛关注和应用，被近年来多篇发表在Nature及其子刊的多篇神经科学重大科学成果的文章引用，还得到了哈佛大学、麻省理工学院、华盛顿大学、艾伦脑科学研究所等顶尖高校和科研机构中神经科学方向研究学者的积极合作。

代表性研究工作主要以人工智能为工具，针对神经科学中的关键问题（如连接图谱自动成像采集重构、神经表征学习、神经连接推断、神经元分类、神经动力学系统识别、运动信号解码、生物物理机制假设检验、光遗传实验设计、视觉编码实验设计等）提出基于人工智能的跨学科创新方案，将打造神经科学与人工智能交叉的新范式，为加速脑科学研究、脑机接口和类脑智能研发提供技术支撑。

工作贡献主要包括：

1、构建快速高效且可扩展的自动脑成像采集处理流程；

2、分析多模态多尺度脑数据的可解释的基础模型；

3、人工智能赋能脑科学研究的假设检验和实验设计。