突破现有深度学习的数据瓶颈、功耗瓶颈、可解释性瓶颈等局限性，引领后深度学习的人工智能“操作系统”。具体研究内容包括：
1）针对神经网络架构的局限，以脑启发计算为出发，构建类脑计算机理和体系，发展双向对偶深度学习；
2）探索先验信息和领域知识友好的机器学习范式，降低对样本质量和数量的要求，提升模型结构的可解释性和模型行为的可预测性，降低模型调试的困难；
3）发展不完全信息下、多回合反馈下的多智能体机器学习方法，为新药、新材料等基础研究提供新的研究范式；
4）在上述研究基础上，实现高扩展性、易配置性、可解释性的新一代机器学习开源软件。
神经元和通路计算建模
- 基于实验的神经元树突信息整合建模：提出了算法研究框架，修正了现有神经元模型，使得基于真实神经元结构的大尺度网络计算成为可能
- 基于实验的早期视觉通路的计算建模：视网膜->丘脑->初级视皮层，设计了快速算法，单机能够实时计算百万神经元网络
灵长类、啮齿类初级视皮层的大尺度网络计算模型
异步序列深度学习
- 将机器学习从离散时间域扩展到连续时间域，提高时效性和机敏性
- 灰箱化模型：兼具黑箱强拟合能力和白箱可解释性的互补优势
- 基于异步学习的预测和决策，显著提高宏观经济等预测的准确性，且具有可解释性
