NeuraxonLife2-1M

**NeuraxonLife 2.0 1M数据集**包含了一个人工生命环境中的详细模拟数据，其中自主代理（'NxErs'）进化出生物学上合理的Neuraxon神经网络。该数据集记录了进化的人工生物的完整神经结构、突触连接、神经调节状态和行为表现指标。数据集提供了独特的视角，展示了神经网络在模拟生态系统中的生存压力下如何进化。每个NxEr（Neuraxon实体）是一个自主代理，具有：- 具有树突计算的Neuraxon神经网络 - 多时间尺度的突触可塑性（快速、慢速、元） - 四种神经调节系统（多巴胺、血清素、乙酰胆碱、去甲肾上腺素） - 行为能力（移动、觅食、交配） - 进化适应度追踪。

原始信息汇总

NeuraxonLife2-1M 数据集概述

数据集基本信息

• 数据集名称: NeuraxonLife2-1M (Neuraxon Artificial Life 2.0 Simulation Dataset 1M)
• 发布者: David Vivancos, Dr. Jose Sanchez
• 发布日期: 2025年
• 许可协议: CC BY 4.0
• 语言: 英语
• 数据规模: 1M<n<10M
• 任务类别: 表格分类，表格回归
• 标签: neuraxon, neuroscience, artificial-life, neural-networks, simulation, biology, AI, AGI, Qubic-Aigarth, evolutionary-algorithms

数据集描述

该数据集包含来自人工生命环境的详细模拟数据，其中自主智能体（“NxErs”）进化出生物学上可信的Neuraxon神经网络。数据集捕获了进化的人工生物的完整神经架构、突触连接、神经调节状态和行为性能指标。

数据集结构

数据集由四个相互关联的表格组成，存储为独立的Parquet文件。

数据表

1. NxErs表 (neuraxonLife2-1M_nxers.parquet)

   • 包含智能体级别的数据，涵盖身份、属性、神经网络参数和性能指标。
   • 主要列包括：标识符、游戏上下文、世界配置、基本属性、感官、位置、生命周期、行为状态、谱系、神经输入、性能统计、网络拓扑、网络时间、神经元参数、树突参数、突触时间常数、权重初始化、学习与可塑性、结构可塑性、神经调节基线、神经调节阈值、振荡器、能量代谢、稳态、AIGarth/ITU、当前神经调节剂、网络状态。

2. Neurons表 (neuraxonLife2-1M_neurons.parquet)

   • 包含每个智能体神经网络中的单个神经元数据。
   • 主要列包括：游戏标识符、父智能体名称、神经元ID、类型、核心状态、振荡、ITU、个体参数、树突统计。

3. Synapses表 (neuraxonLife2-1M_synapses.parquet)

   • 包含神经元之间的突触连接数据。
   • 主要列包括：游戏标识符、父智能体名称、突触前/后神经元ID、权重、标志、属性、个体时间常数、衍生指标。

4. Branches表 (neuraxonLife2-1M_branches.parquet)

   • 包含用于详细树突计算的树突分支数据。
   • 主要列包括：游戏标识符、父智能体名称、父神经元ID、分支ID、分支电位、平台电位、分支阈值、平台衰减常数、阈值状态。

表间关系

• NxErs → Neurons: 一个NxEr包含多个神经元（通过 game_id + nxer_name 连接）。
• NxErs → Synapses: 一个NxEr包含多个突触（通过 game_id + nxer_name 连接）。
• Neurons → Branches: 一个神经元包含多个树突分支（通过 game_id + nxer_name + neuron_id 连接）。
• Synapses → Neurons: pre_id 和 post_id 引用同一NxEr内的 neuron_id。

支持的任务

• 神经架构分析
• 突触权重分布分析
• 神经调节研究
• 适应度预测
• 进化动力学研究

使用方法

使用Python (pandas)加载

python import pandas as pd nxers = pd.read_parquet(neuraxonLife2-1M_nxers.parquet) neurons = pd.read_parquet(neuraxonLife2-1M_neurons.parquet) synapses = pd.read_parquet(neuraxonLife2-1M_synapses.parquet) branches = pd.read_parquet(neuraxonLife2-1M_branches.parquet)

使用Hugging Face Datasets加载

python from datasets import load_dataset dataset = load_dataset("DavidVivancos/NeuraxonLife2-1M") nxers = dataset[nxers] neurons = dataset[neurons]

引用信息

bibtex @dataset{NeuraxonLife2-1M, title={Neuraxon: Artificial Life 2.0 BioInspired Neural Network Simulation 1M Dataset}, author={Vivancos, David and Sanchez, Jose}, year={2025}, publisher={Hugging Face}, url={https://huggingface.co/datasets/DavidVivancos/NeuraxonLife2-1M} }

附加信息

• 作者: David Vivancos / Artificiology Research (https://artificiology.com/) - Qubic Science (https://qubic.org/); Dr. Jose Sanchez / UNIR - Qubic Science (https://qubic.org/)
• 数据集维护者: David Vivancos / Artificiology Research (https://artificiology.com/) - Qubic Science (https://qubic.org/); Dr. Jose Sanchez / UNIR - Qubic Science (https://qubic.org/)
• 版本历史: v1.0.0 (2025): 初始版本
• 联系方式: 通过 https://github.com/DavidVivancos/Neuraxon 提交GitHub issue 或联系 [[e-mail]]。

搜集汇总

数据集介绍

构建方式

在人工生命研究领域，NeuraxonLife2-1M数据集通过Neuraxon人工生命模拟研究框架2.0生成。该框架运行了数千次测试游戏，每次模拟均保存为JSON文件，随后通过系统化的数据提取流程，从这些游戏状态文件中分层析取智能体、神经元、突触及树突分支的完整信息。这些数据经过结构化处理，最终转换为采用Snappy压缩的列式Parquet格式，确保了数据的高效存储与完整性验证，为演化神经网络的深入研究提供了坚实的数据基础。

特点

本数据集的核心特征在于其多层次、高维度的生物合理性神经模拟数据。它完整捕获了自主智能体在模拟生态系统中的演化轨迹，涵盖从宏观行为表现到微观神经架构的精细参数，包括多时间尺度的突触可塑性、四种神经调质系统的动态以及树突计算细节。数据以四个互相关联的表格形式组织，分别记录智能体、神经元、突触和树突分支，这种结构化的表示方式使得研究者能够深入探究神经网络拓扑、连接模式与适应性行为之间的复杂关联。

使用方法

利用该数据集进行研究时，可通过Python的pandas库或Hugging Face Datasets库直接加载各Parquet文件。研究者可以基于`game_id`和`nxer_name`等关键字段进行表连接，从而重构特定智能体的完整神经回路。典型应用包括使用机器学习模型预测适应度、分析突触权重分布以探索兴奋抑制平衡，或借助网络分析工具研究演化产生的网络拓扑特性。数据集的结构化设计支持从整体行为统计到单个突触动力学的多尺度分析。

背景与挑战

背景概述

NeuraxonLife2-1M数据集诞生于2025年，由David Vivancos与Jose Sanchez等研究人员依托Artificiology Research与Qubic Science机构共同构建。该数据集聚焦于人工生命与计算神经科学的交叉领域，核心研究问题在于探究生物合理性神经网络的演化机制及其在模拟生态系统中的适应性行为。通过捕捉自主智能体在生存压力下神经架构、突触可塑性及神经调节系统的动态演变，该数据集为理解复杂智能系统的涌现特性提供了前所未有的实证基础，对推动类脑计算、演化人工智能及通用人工智能（AGI）的发展具有深远影响。

当前挑战

该数据集旨在解决人工生命系统中神经演化建模的复杂挑战，包括多尺度动力学整合、行为与神经关联性解析以及适应性预测等核心问题。构建过程中面临多重技术障碍，例如从海量模拟游戏JSON文件中高效提取并结构化层次化数据，确保神经元、突触与树突分支等多表间关系的一致性与完整性，同时需处理高维时序参数与异构神经状态的标准化表征。此外，模拟环境本身涉及大量可调超参数与随机演化过程，使得数据生成与质量控制成为一项艰巨任务。

常用场景

经典使用场景

在计算神经科学与人工生命交叉领域，NeuraxonLife2-1M数据集为研究生物启发的神经网络在演化压力下的涌现行为提供了经典范例。该数据集通过模拟自主代理在虚拟生态系统中的生存与繁衍，记录了其神经架构、突触可塑性及神经调质动态的完整演化轨迹。研究者可借此分析网络拓扑结构如何随适应度优化而演变，探索多时间尺度可塑性规则对学习能力的影响，并揭示神经调质系统如何调控复杂行为决策，为理解智能系统的演化机制奠定了数据基础。

解决学术问题

该数据集有效解决了人工生命与神经计算领域的若干核心学术问题。它通过大规模仿真数据，为研究神经网络的演化动力学提供了实证基础，揭示了结构可塑性与功能适应性之间的量化关系。数据集中的多层级记录使得学者能够深入探究突触权重分布与行为表现之间的相关性，验证神经调质在强化学习中的作用模型。此外，其涵盖的树突计算与振荡同步数据，为理解生物神经网络的信息处理原理提供了关键见解，推动了类脑计算理论的发展。

衍生相关工作

该数据集已衍生出一系列经典研究工作，主要集中在演化神经网络架构搜索与神经可塑性建模方向。部分研究利用其多尺度时间常数数据，提出了新型的元可塑性学习算法，显著提升了神经网络在非平稳环境中的适应速度。另有工作基于突触完整性指标，开发了模拟神经退行性疾病的计算模型。此外，数据集中的神经调质动态记录催生了多调制强化学习框架的提出，这些框架在复杂决策任务中展现出超越传统方法的性能，推动了类脑人工智能的前沿探索。