Skip to main content

🧠 flymind — мозг дрозофилы как вычислитель

Быстрый старт: QUICKSTART.md — от нуля до работающего мозга за 5 минут: установка, три «вау»-команды, карта всех возможностей (CLI / библиотека / веб / MCP / API / Docker) и рецепты «хочу…».

Не биолог? Начните с FOR_PROGRAMMERS.md — практическое руководство для программистов: аналогии из ML/RNN, запускаемые примеры (классификатор, игровой бот, MCP-агент), API-шпаргалка и грабли, на которые мы наступили сами.

Далеки и от программирования? Читайте PROSTYMI-SLOVAMI.md — объяснение без жаргона: что такое коннектом «на кухонном примере», что умеет и чего не умеет мозг мухи, словарик на одну минуту и частые вопросы.

Любите картинки? SCHEMY.md — пять диаграмм (Mermaid + ASCII): архитектура, путь сигнала через мозг, три паттерна использования, workflow разработки, топология MCP.

Обёртка, позволяющая использовать настоящий мозг мухи для произвольных задач: коннектом загружается целиком, активность симулируется на реальных синапсах, вход кодируется в сенсорные нейроны, выход читается с нисходящих/моторных нейронов или обучаемого readout (reservoir computing на живой проводке).

Данные (настоящие, публичные)

Коннектом Нейронов Связей Синапсов Источник
adult (по умолчанию) 139 255 15 091 983 54,5 млн FlyWire v783, весь мозг взрослой Drosophila-самки (Dorkenwald et al. 2024; Zenodo 21549559)
male 211 577 26 028 386 125,4 млн Male CNS v1.0, вся ЦНС самца — мозг + VNC с настоящими мотонейронами (FlyEM/Janelia + Google, Cell 2026; CC-BY, без авторизации)
larval 2 952 110 677 352 611 Мозг личинки L1 (Winding et al., Science 2023)

В аннотациях — иерархия типов, предсказанные нейромедиаторы, сторона, VFB ID, координаты (adult). Связи знакуются медиатором пресинаптического нейрона (gaba → тормозные) в режиме signed=True.

Классы: sensory (афференты; adult 19 265 / male 19 182), inter (118 581 / 190 373), motor — «выход»: нисходящие DN, у male — и настоящие мотонейроны VNC (1 409 / 2 022).

Установка

cd flymind
python -m venv .venv
.venv/Scripts/python -m pip install -r requirements.txt
# данные скачаются и закэшируются при первом запуске (~187 МБ adult / 1.2 ГБ male)
.venv/Scripts/python -m flymind status
# GPU (опционально, CUDA 12): pip install cupy-cuda12x → device='auto'

CLI

python -m flymind status                     # какой мозг загружен
python -m flymind info                       # сводка + топ нейронов
python -m flymind find "Tm9"                 # найти нейроны по типу
python -m flymind stimulate ORN              # стимулировать обонятельные рецепторы
python -m flymind fit tracking               # обучить readout на задаче
python -m flymind vfb-search "mushroom body" # поиск в Virtual Fly Brain
python -m flymind vfb-term FBbt_00005801     # метаданные термина VFB
python -m flymind serve                      # MCP-сервер (stdio)

Окружение: FLYMIND_SOURCE=adult|male|larval, NEUPRINT_TOKEN=<jwt>.

Запускаемые примеры (в examples/, все на личиночном мозге по умолчанию; FLYMIND_SOURCE=male|adult — другой мозг):

Пример Практическая задача Результат (реальный)
anomaly_detection.py аномалии в потоке метрик (мониторинг) recall 0.70
csv_classifier.py классификация вашего CSV (--csv --target) 91% на iris
digit_recognition.py «картинки» 3×5 с 15% шума (зрение) 67% (10 классов)
tone_detector.py частота тона по сырой волне (DSP) 100%
char_predictor.py следующий символ текста 28% (случайно 5%)
trend_forecast.py направление «цены» на шаг вперёд 69% > инерция 63%
navigator_2d.py 2D-навигация к цели (векторный выход) 26/30 дошли, курс 7°
flappy_fly.py флэппи-игра: махать/не махать = эксперт (80 шагов)
sensor_fusion_alarm.py IoT-тревога с памятью («давление падает») P/R 0.6
brain_explorer.py стимуляция по модальностям: карта откликов обоняние → DN 0.96
motor_reflex.py мотонейроны VNC (male): рефлекторная дуга латентность 2/4/9 шагов
fly_legs.py модель мухи с 6 лапами (male): какими лапами мозг командует двигать T1/T2/T3+брюшко, реагирует на сторону стимула
motor_steering.py мотонейроны VNC (male): рулевой замкнутый цикл декодер 15/15; сырая асимметрия 2/15
escape_reflex.py луминанс → гигантское волокно (кросс-чек с flybrain PyPI) спайк на шаге 7
effectiveness_report.py сводный анализ: что мозгу даётся хорошо/плохо таблица вердиктов
plasticity_lab.py frozen vs Hebbian vs LIF+STDP XOR 51% → 90%
brain_features.py мозг как featurizer для вашей модели 91%
pong_minimal.py игровой бот: ракетка за мячом 84% пойманных
benchmark_adult.py полный бенчмарк двух динамик взрослого мозга см. ниже
test_mcp_client.py проверка MCP-сервера живым клиентом 14 инструментов
brain_viz_server.py веб-визуализация живого мозга (three.js + SSE + инфографика) см. ниже

Разбор примеров — в FOR_PROGRAMMERS.md.

MCP (для ZCode / Claude / Cursor)

Сервер зарегистрирован в workspace-конфиге .zcode/config.json (запускается автоматически в новых сессиях ZCode; python -m flymind serve — руками). Инструменты: flymind_status / find_neurons / stimulate / step / read / motor / reset, flymind_fit(task, spiking, plastic) / predict, flymind_vfb_search / vfb_term / vfb_connectivity / neuprint_cypher.

Пример диалога: «Возбуди обонятельные рецепторы и скажи, какие нисходящие нейроны активировались» → flymind_stimulate(text="ORN") → анализ топа.

Какие задачи мозгу даются лучше всего

Замерено на реальных прогонах (examples/effectiveness_report.py — таблица с вердиктами; полные числа в таблице примеров выше):

Класс задач Способность мозга Почему
Классификация статических образов отлично (iris 91–93%, тоны 97–100%, цифры с шумом 67%) резервуар нелинейно «разворачивает» вход в состояние 3k–211k измерений, дальше линейный readout разделяет классы
Детекция аномалий хорошо (recall 0.7) мозг выучивает нормальную динамику; аномалия = большая ошибка предсказания
Прогноз следующего значения (тренд, слежение) хорошо (понг 84%, тренд 69% > инерции 63%) линейная память: следы недавних входов сохраняются в состояниях (бит 1 шаг назад декодируется с 70%)
Память на 3–6 шагов частично (0.69 → 0.61) следы затухают; дальше — только линейные следы
НЕлинейная память (XOR через 3 шага) rate: нет (~50%) / спайки: да (~90%) линейному readout нужно нелинейно смешать два момента; LIF-динамика с STDP создаёт разделимые траектории — см. examples/plasticity_lab.py
Долгосрочное планирование, адаптация нет веса можно адаптировать только локальными правилами (Hebb/STDP), без градиентов

Пластичность и спайки

Мозг умеет адаптироваться двумя локальными правилами (без градиентов):

  • Hebbian (rate): FlyBrainReservoir(..., plastic=True) — самые сильные inter→inter синапсы получают обучаемую добавку ΔW; обновляется при run(..., learn=True), на инференсе заморожена
  • Спайковый режим + STDP: SpikingFlyBrain(...) — LIF-нейроны на той же проводке, STDP по экспоненциальным следам, readout по мембранному потенциалу; событийный API brain.fired

Замер (examples/plasticity_lab.py; личинка / взрослый мозг): temporal XOR frozen 51/49% → Hebbian 52/50% → LIF+STDP 89.5/86.7%; линейная память k=1..3 [0.73,0.73,0.71] → [1.0,1.0,0.94] (личинка) и [0.75,0.74,0.71] → [0.98,0.98,0.85] (взрослый); iris сохраняется. Главный вывод: спайковая дискретность сама по себе создаёт информативные траектории состояний.

GPU

FlyBrainReservoir(..., device='auto') — cupy, если GPU виден, иначе numpy; 'cuda' — строгий режим с понятной ошибкой. hot-loop (sparse matvec, bincount, tanh) на выбранном бэкенде; step()/run() всегда возвращают numpy (readout/sklearn не меняются). Ставится опционально: pip install cupy-cuda12x.

Соседний проект: flybrain на PyPI (сравнение)

13.09.2026 на PyPI вышла библиотека flybrain 0.1.0 (MIT, github.com/alextitonis/fly.ai) — движок симуляции того же Male CNS. Мы поставили её, прогнали канонический пример и сравнили на одной машине:

flybrain (PyPI) flymind (этот проект)
Коннектом Male CNS (166k нейронов) 3 шт.: самка 139k, самец 211k, личинка 3k
Модель только LIF (Fly64), numba/GPU rate + LIF, знаки ГАМК, Hebbian/STDP
Скорость шага (male, наш CPU) 9.9 мс (numba), 1.4 мс GPU 143 мс (scipy), CuPy-бэкенд добавлен
Луминанс→гигантское волокно спайк на шаге 1 спайк на шаге 7 (gain=4)
Обучение readout (PCA logistic) readout + пластичность: XOR 51→90%
Задачи/примеры eyes-энкодер, trace/run 20 примеров: iris 91%, понг 84%, flappy=эксперт, руление 15/15...
Экосистема CLI download/build MCP (14 инструментов), веб-3D, VFB/neuPrint, скилл, 5 уровней доков

Заимствовали у них (MIT): conn.cells(types, side=...) и событийный brain.fired; кросс-чек — examples/escape_reflex.py. Их идеи в нашем бэклоге: numba-JIT, преbuild-кэш с чексуммами, batching.

Веб-визуализация живого мозга

python examples/brain_viz_server.py            # взрослый мозг (реальные координаты FlyWire)
FLYMIND_SOURCE=larval python examples/brain_viz_server.py   # личинка (схема-сфера)
FLYMIND_SOURCE=male python ...                 # ЦНС самца (схема-сфера)
# открыть http://127.0.0.1:8765

3D-облако всех нейронов в реальных координатах; Python-симулятор стримит кадры активности по SSE (~30 fps), браузер подсвечивает активные нейроны (возбуждение — тёплое, торможение — циан). Сценарии: волна по сенсорному пулу, пульс, понг (с обучением на лету), детектор аномалий, покой, «Авто» — машинку Брайтенберга ведёт этот же мозг (мини-арена в панели динамики; проект ../braitenberg); кнопки стимуляции модальностей; «📊 Инфографика» — состав, медиаторы, топ-типы. Только stdlib на сервере; three.js — с CDN.

Динамика сигналов (кнопка «📈 Динамика»):

  • временные ряды активности по классам (сенсорные/интер/выход + max DN);
  • рёбра между самыми активными нейронами — видно, как сигнал бежит по настоящим «проводам» (сильнейшие 200 синаптических связей текущего кадра, пульсируют);
  • клик по яркой точке в 3D (или по топ-строке) — подписка на трейс активности нейрона (до 3 одновременно).

HTTP API визуализатора:

GET  /init    — координаты и классы всех нейронов (base64 float32/uint8)
GET  /stats   — статистика для инфографики
GET  /events  — SSE-поток кадров активности
POST /scenario {"name": "idle|pulse|sweep|pong|anomaly"}
POST /stimulate {"text": "ORN"} | {"cls": "motor"} | {"ids": [..]}
POST /reset
POST /info    {"idx": 123} — метаданные нейрона

Docker

cd flymind
docker compose up --build     # → http://localhost:8765

Образ при сборке скачивает коннектомы в отдельный слой; при первом старте том flymind-data засеивается из образа. Токен neuPrint — опционально в .env (NEUPRINT_TOKEN=...).

Как это устроено

вход (скаляр/вектор) ──гауссов бамп──► сенсорный пул
                                          │  x ← (1-α)x + α(W_eff·tanh(x) + I)
                              реальная проводка W (sparse CSR, CPU/GPU)
                                          │
                          состояние N нейронов ──► readout (ridge) ──► ответ задачи
                                          └─────────► нисходящие/моторные (естественный выход)

W_eff = W / средняя строчная сумма × gain (scale_mode='row') либо классическая спектральная нормализация. signed=True умножает связи ГАМК-нейронов на −1 (с ослаблением inh_scale).

«Мозг мухи играет в Pong»

Реальный прецедент — Fruit-Fly-Pong (Neurotech Leeds). Здесь тот же рецепт воспроизводится честно: fit tracking / pong_minimal.py учит мозг вести ракетку за блуждающим мячом (ошибка ~5% экрана, 84% пойманных). Полноценная игра — свой цикл поверх FlyBrainReservoir.step() + обученного readout.

Безопасность сети

Все исходящие запросы — только через flymind.security: allowlist хостов (Zenodo, GitHub, Google Storage, *.virtualflybrain.org, *.janelia.org), схемы http/https, DNS-резолв с блокировкой приватных/loopback/зарезервированных адресов, редиректы перепроверяются, запись кэша — только внутри каталога проекта.

Источники

  • FlyWire v783: Dorkenwald et al. 2024 (Nature); дамп: Zenodo 21549559
  • Male CNS v1.0: FlyEM/Janelia + Google, Cell 2026; male-cns.janelia.org (CC-BY)
  • Аннотации: flyconnectome/flywire_annotations v2.1.0 (Schlegel et al.)
  • Личиночный мозг: Winding et al., Science 2023
  • Virtual Fly Brain: virtualflybrain.org (VFBquery API v3-cached)
  • neuPrint: Plaza et al. 2022, neuprint.janelia.org

Metadata

Release files for flymind 0.2.0

For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.

Source distribution (sdist)

Source distribution for flymind 0.2.0
File Size Uploaded Provenance Actions
flymind-0.2.0.tar.gz 46.1 kB Without provenance Details for flymind-0.2.0.tar.gz

Built distribution (wheel)

Table of built distributions (wheels) for flymind 0.2.0
File Interpreter ABI Platform Actions
flymind-0.2.0-py3-none-any.whl Python 3 none any Details for flymind-0.2.0-py3-none-any.whl

Total release size: 89.3 kB

Release files / flymind-0.2.0.tar.gz

Download URL flymind-0.2.0.tar.gz
Size 46.1 kB
Tags Source
SHA-256 checksum
How to use checksums
d876a81bd178207868ba0aa7c3804e7fee9db8a1ced81cd8c065c48c0e4c3ee4
BLAKE2b-256 checksum
How to use checksums
d584b11b9890c1d125cb4dea83231e6baf7006a0d596e0a5b1c9005411199f1f
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via twine/7.0.0 CPython/3.10.5

Release files / flymind-0.2.0-py3-none-any.whl

Download URL flymind-0.2.0-py3-none-any.whl
Size 43.2 kB
Tags Python 3
SHA-256 checksum
How to use checksums
b79e4fa213c141b977392c3a4d89f71b0e4ac219bedb3341e617486e211c71be
BLAKE2b-256 checksum
How to use checksums
466323c19abe74c969e4f496c5a0c9231826616ce7131bbd3e8cb6577c1c3626
Upload date
Uploaded using Trusted Publishing?
What is trusted publishing?
No
Uploaded via twine/7.0.0 CPython/3.10.5

Security for flymind 0.2.0

Provenance

Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.

No provenance found

None of the files in this release were uploaded with provenance metadata.

A note on package security

PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.

To learn more about protecting yourself from malicious actors, visit our package security documentation.

Release history Release notifications | RSS feed

This release

0.2.0 This release

2 release files No provenance

Anthropic, PBC Visionary sponsor Bloomberg Visionary sponsor Hudson River Trading Visionary sponsor Meta Visionary sponsor NVIDIA Visionary sponsor Microsoft Sustainability sponsor Depot Continuous Integration AWS Cloud computing and Security Sponsor Datadog Monitoring Fastly CDN Google Download Analytics Sentry Error logging StatusPage Status page