마인드업로드 시리즈 Part 3 - 뇌 시뮬레이션, 디지털 뇌를 만드는 기술

November 27, 2025

마인드업로드 시리즈 Part 3 - 뇌 시뮬레이션, 디지털 뇌를 만드는 기술

Part 2에서 우리는 뇌의 구조를 완전히 매핑하는 Connectome 기술을 탐구했다. 하지만 구조를 아는 것만으로는 충분하지 않다. 이제 그 구조가 어떻게 작동하는지 시뮬레이션해야 한다. 뇌 시뮬레이션은 마인드업로드의 핵심 기술이다. 860억 개의 뉴런과 100조 개의 시냅스를 컴퓨터에서 정확히 재현하는 것은 인류가 직면한 가장 복잡한 계산 문제 중 하나다. 이 글은 뇌를 시뮬레이션하는 기술적 도전과 현재 진행 중인 프로젝트들을 탐구한다.

1. 뇌 시뮬레이션이란 무엇인가?

1-1. 기본 개념

뇌 시뮬레이션은 뇌의 작동을 컴퓨터에서 수학적 모델로 재현하는 것이다. 목표는 실제 뇌와 동일하게 작동하는 디지털 뇌를 만드는 것이다.

시뮬레이션의 구성 요소

뉴런 모델: 개별 뉴런의 전기적 활동을 모델링
시냅스 모델: 뉴런 간 신호 전달을 모델링
네트워크 구조: Connectome 데이터를 기반으로 한 연결 구조
동적 상태: 뉴런의 전압, 이온 농도, 시냅스 강도 등

1-2. 시뮬레이션의 목표

과학적 목표

뇌의 작동 원리 이해
질환 메커니즘 규명
치료법 개발

기술적 목표

마인드업로드 실현
AI 알고리즘 개선
뇌-컴퓨터 인터페이스 향상

1-3. 시뮬레이션의 종류

수준별 분류

1. 분자 수준 (Molecular Level)

단백질, 이온 채널의 상세한 동작
나노초 단위 시간 해상도
극소 영역만 가능
목적: 기본 메커니즘 이해

2. 세포 수준 (Cellular Level)

개별 뉴런의 전기적 활동
밀리초 단위 시간 해상도
수천~수만 개의 뉴런 가능
목적: 뉴런 동작 원리 이해

3. 회로 수준 (Circuit Level)

뉴런 네트워크의 상호작용
밀리초~초 단위 시간 해상도
수백만 개의 뉴런 가능
목적: 뇌 기능 이해

4. 시스템 수준 (Systems Level)

전체 뇌 영역의 상호작용
초~분 단위 시간 해상도
전체 뇌 가능
목적: 인지 기능 이해

정확도별 분류

고정밀 시뮬레이션 (High-Fidelity)

물리 법칙 기반
모든 세부사항 포함
계산 자원 대량 필요
예: Blue Brain Project

근사 시뮬레이션 (Approximate)

단순화된 모델
계산 효율 우선
빠른 실행
예: 대규모 네트워크 시뮬레이션

2. 뉴런 모델링

2-1. 뉴런의 전기적 특성

뉴런은 전기 신호를 생성하고 전달하는 세포다. 시뮬레이션을 위해서는 뉴런의 전기적 특성을 정확히 모델링해야 한다.

뉴런의 주요 구성 요소

세포체 (Soma): 뉴런의 핵심, 신호 통합
축삭 (Axon): 신호를 전달하는 긴 섬유
수상돌기 (Dendrite): 신호를 받는 가지 구조
시냅스 (Synapse): 다른 뉴런과의 연결점

전기적 현상

막 전위 (Membrane Potential): 세포막 내외 전압 차이
활동 전위 (Action Potential): 신호 전달을 위한 전압 스파이크
이온 채널 (Ion Channels): 나트륨, 칼륨, 칼슘 이온의 흐름

2-2. Hodgkin-Huxley 모델

1952년 앨런 호지킨과 앤드루 헉슬리가 제안한 모델로, 뉴런의 전기적 활동을 가장 정확하게 설명한다 [1].

모델의 핵심

이온 채널의 동적 특성 포함
나트륨, 칼륨, 누설 전류 모델링
활동 전위의 정확한 재현

수식 (간략화)

C * dV/dt = -g_Na * m³h * (V - E_Na) - g_K * n⁴ * (V - E_K) - g_L * (V - E_L) + I

장점

높은 생물학적 정확도
실제 뉴런과 유사한 동작
과학적 연구에 적합

단점

계산 비용이 매우 높음
복잡한 미분 방정식
대규모 시뮬레이션에 부적합

응용

소규모 네트워크 시뮬레이션
뉴런 동작 원리 연구
약물 효과 시뮬레이션

2-3. Integrate-and-Fire 모델

Hodgkin-Huxley 모델을 단순화한 모델로, 계산 효율을 우선시한다 [2].

모델의 핵심

뉴런을 전하를 축적하는 용기로 모델링
임계값 도달 시 스파이크 발생
스파이크 후 리셋

수식 (간략화)

C * dV/dt = -g * (V - V_rest) + I
if V >= V_threshold:
    V = V_reset
    스파이크 발생

장점

계산이 매우 빠름
대규모 네트워크에 적합
실시간 시뮬레이션 가능

단점

생물학적 정확도 낮음
세부 동작 재현 어려움

응용

대규모 뇌 시뮬레이션
AI 알고리즘 개발
실시간 BCI

2-4. Multi-Compartment 모델

뉴런을 여러 구간으로 나누어 모델링하는 방법이다 [20].

개념

뉴런을 작은 구간(compartment)으로 분할
각 구간은 독립적으로 모델링
구간 간 전류 흐름 계산

장점

구조적 복잡성 반영
공간적 특성 포함
중간 수준의 정확도

단점

Hodgkin-Huxley보다는 빠르지만 여전히 느림
구조 데이터 필요

응용

중간 규모 네트워크
구조-기능 관계 연구

2-5. 모델 선택의 트레이드오프

정확도 vs 속도

모델	정확도	속도	규모
Hodgkin-Huxley	매우 높음	매우 느림	수백~수천 개
Multi-Compartment	높음	느림	수천~수만 개
Integrate-and-Fire	낮음	매우 빠름	수백만~수십억 개

선택 기준

목적: 과학 연구 vs 실용적 응용
규모: 소규모 vs 대규모
자원: 계산 자원의 가용성
정확도 요구사항: 필요한 정확도 수준

3. 시냅스 시뮬레이션

3-1. 시냅스의 역할

시냅스는 뉴런 간 신호를 전달하는 연결점이다. 시뮬레이션에서 시냅스는 뇌의 정보 처리의 핵심이다.

시냅스의 구성

전시냅스 말단 (Presynaptic Terminal): 신호를 보내는 뉴런
시냅스 틈 (Synaptic Cleft): 뉴런 간 공간
후시냅스 (Postsynaptic): 신호를 받는 뉴런

신호 전달 과정

활동 전위가 전시냅스에 도달
신경전달물질 방출
신경전달물질이 시냅스 틈을 통과
후시냅스 수용체에 결합
이온 채널 개방
후시냅스 뉴런의 전위 변화

3-2. 시냅스 모델

단순 모델 (Simple Model)

스파이크 발생 시 즉시 신호 전달
고정된 시냅스 강도
계산이 빠름

생물학적 모델 (Biological Model)

신경전달물질 방출 모델링
시간 지연 포함
시냅스 가소성 반영

3-3. 시냅스 가소성 (Synaptic Plasticity)

시냅스의 강도는 시간에 따라 변한다. 이것이 학습과 기억의 기초다 [3, 4].

LTP (Long-Term Potentiation) - 장기 강화

반복 자극으로 시냅스 강도 증가
학습의 신경 기반
기억 형성과 관련

LTD (Long-Term Depression) - 장기 억제

약한 자극으로 시냅스 강도 감소
망각의 메커니즘
불필요한 연결 제거

STDP (Spike-Timing-Dependent Plasticity)

스파이크 타이밍에 따른 가소성 [5]
전시냅스가 먼저 발화 → 강화
후시냅스가 먼저 발화 → 억제

시뮬레이션에서의 구현

시냅스 강도를 동적으로 변경
학습 규칙 적용
기억 형성 시뮬레이션

3-4. 신경전달물질 시뮬레이션

주요 신경전달물질

글루타메이트 (Glutamate): 흥분성 신경전달물질
GABA: 억제성 신경전달물질
도파민 (Dopamine): 보상, 동기 부여
세로토닌 (Serotonin): 기분, 수면

모델링 방법

농도 기반 모델
확률적 방출 모델
수용체 결합 모델

4. 전체 뇌 시뮬레이션 프로젝트

4-1. Blue Brain Project

목표: 쥐 뇌의 완전한 디지털 재현

기관: 스위스 EPFL (École Polytechnique Fédérale de Lausanne)

시작: 2005년 [6]

접근법

뇌 구조 데이터 수집
뉴런 모델 개발
컴퓨터 시뮬레이션 구축
검증 및 개선

성과

2005-2015: 기초 구축

쥐 뇌 피질의 일부 영역 시뮬레이션 [7]
NEURON 시뮬레이션 소프트웨어 개발 [8]
뉴런 모델 라이브러리 구축

2015-2020: 확장

쥐 뇌 피질의 더 큰 영역
31,000개 뉴런 시뮬레이션 (2015) [9]
100만 개 뉴런 시뮬레이션 (2020) [10]

2020-현재: 전체 뇌 목표

쥐 전체 뇌 시뮬레이션 목표
인간 뇌 시뮬레이션 준비

기술적 특징

Multi-compartment 뉴런 모델
생물학적 정확도 우선
슈퍼컴퓨터 활용

도전 과제

계산 자원의 한계
데이터의 불완전성
검증의 어려움

4-2. Human Brain Project (HBP)

목표: 인간 뇌의 완전한 이해와 시뮬레이션

기관: 유럽 연합 (EU)

기간: 2013-2023 (10년 프로젝트) [11]

예산: 약 10억 유로

주요 구성 요소

1. 뇌 시뮬레이션 플랫폼

대규모 뇌 시뮬레이션 인프라
클라우드 기반 접근
연구자 공유 플랫폼

2. 뇌 데이터 플랫폼

뇌 이미징 데이터 통합
Connectome 데이터
공개 데이터베이스

3. 뇌 컴퓨팅 플랫폼

뇌 영감 컴퓨팅 하드웨어
신경형 칩 개발
에너지 효율 컴퓨팅

성과

대규모 시뮬레이션 인프라 구축 [12]
뇌 데이터 통합 플랫폼
신경형 컴퓨팅 하드웨어 (SpiNNaker, BrainScaleS) [13, 14]

한계

전체 인간 뇌 시뮬레이션은 미완성
계산 자원 부족
데이터 불완전

4-3. Allen Brain Atlas

목표: 뇌의 구조와 기능 데이터베이스 구축

기관: Allen Institute for Brain Science [18]

특징

공개 데이터베이스
다양한 종의 뇌 데이터
시각화 도구 제공

데이터 유형

뇌 구조 지도
유전자 발현 데이터
연결성 데이터
기능적 이미징 데이터

시뮬레이션 지원

시뮬레이션에 필요한 구조 데이터 제공
검증을 위한 참조 데이터
모델 개발 지원

4-4. 현재 시뮬레이션 규모

달성된 규모

초파리 뇌

25,000개 뉴런
완전한 Connectome 기반 [19]
실시간 시뮬레이션 가능

쥐 뇌 일부

수백만 개 뉴런
피질의 일부 영역
가속 시뮬레이션 (실시간보다 빠름)

인간 뇌

수천~수만 개 뉴런 (매우 제한적)
특정 영역만
전체 뇌는 불가능

목표 규모

인간 뇌 전체

860억 개 뉴런
100조 개 시냅스
실시간 시뮬레이션
현재 기술로는 불가능

5. 계산 자원과 성능

5-1. 계산 복잡도

뉴런 하나의 계산 비용

Hodgkin-Huxley 모델

초당 약 1,000-10,000번 계산
복잡한 미분 방정식 해결
CPU 시간: 마이크로초 단위

Integrate-and-Fire 모델

초당 약 100-1,000번 계산
간단한 수식
CPU 시간: 나노초 단위

전체 뇌 시뮬레이션

인간 뇌 (860억 뉴런)

초당 계산 횟수: 수십 조~수백 조 회
필요한 연산 능력: 엑사플롭스 (10¹⁸ FLOPS) [17]
현재 세계 최고 슈퍼컴퓨터: 페타플롭스 (10¹⁵ FLOPS)

비교

현재 최고 슈퍼컴퓨터: 약 1 엑사플롭스
인간 뇌 시뮬레이션 필요: 약 100-1,000 엑사플롭스
100-1,000배 부족

5-2. 메모리 요구사항

뉴런 하나의 메모리

상태 변수: 수십~수백 바이트
연결 정보: 수 KB
총: 약 1-10 KB

인간 뇌 전체

뉴런 상태: 약 1-10 페타바이트
연결 정보: 약 100 페타바이트
총: 약 100-1,000 페타바이트

현재 기술

최대 메모리 시스템: 수 페타바이트
10-100배 부족

5-3. 병렬 처리 전략

공간적 병렬화

뇌를 영역으로 분할
각 영역을 다른 프로세서에 할당
영역 간 통신 관리

시간적 병렬화

시간 단계를 병렬 처리
예측 기반 병렬화
비결정적 요소 처리

하이브리드 접근

중요한 영역: 고정밀 모델
덜 중요한 영역: 단순 모델
계산 자원 최적 배분

5-4. 하드웨어 가속

GPU (Graphics Processing Unit)

병렬 계산에 최적화
수천 개의 코어
뇌 시뮬레이션에 적합
현재 주요 하드웨어

TPU (Tensor Processing Unit)

구글이 개발한 AI 전용 칩
행렬 연산 최적화
딥러닝과 시뮬레이션에 유용

신경형 칩 (Neuromorphic Chips)

뇌 구조를 하드웨어로 구현
매우 낮은 전력 소비
실시간 시뮬레이션 가능
예: IBM TrueNorth [15], Intel Loihi [16]

양자 컴퓨팅

양자 중첩과 얽힘 활용
특정 계산에서 지수적 가속
뇌 시뮬레이션 적용 가능성 탐구 중

5-5. 최적화 기법

모델 단순화

덜 중요한 세부사항 제거
근사 모델 사용
계산 효율 향상

적응적 시간 단계

변화가 큰 구간: 작은 시간 단계
변화가 작은 구간: 큰 시간 단계
전체 계산량 감소

스파이크 기반 시뮬레이션

스파이크가 발생한 뉴런만 계산
대부분의 뉴런은 계산 생략
계산량 대폭 감소

6. 시뮬레이션 검증

6-1. 검증의 중요성

시뮬레이션이 정확한지 확인하는 것은 필수적이다. 잘못된 시뮬레이션은 잘못된 결론으로 이어진다.

검증의 목적

시뮬레이션의 정확도 확인
모델의 신뢰성 확보
개선 방향 제시

6-2. 검증 방법

구조적 검증

시뮬레이션된 구조가 실제 뇌와 일치하는가?
Connectome 데이터와 비교
해부학적 구조 확인

기능적 검증

시뮬레이션된 활동이 실제 뇌 활동과 유사한가?
뇌파 패턴 비교
fMRI 데이터와 비교

행동적 검증

시뮬레이션된 뇌가 실제 행동을 예측하는가?
동물 실험과 비교
인지 테스트와 비교

6-3. 검증의 도전 과제

데이터 부족

실제 뇌의 완전한 데이터 없음
측정 기술의 한계
개인차와 가변성

복잡성

뇌는 매우 복잡한 시스템
모든 측면을 검증하기 어려움
부분적 검증만 가능

시간적 스케일

시뮬레이션 시간 vs 실제 시간
장기적 변화 관찰 어려움

7. 실시간 시뮬레이션

7-1. 실시간의 의미

실시간 시뮬레이션은 시뮬레이션 시간이 실제 시간과 동일하게 흐르는 것이다.

필요성

마인드업로드의 필수 조건
뇌-컴퓨터 인터페이스
실시간 상호작용

도전 과제

계산 속도가 실제 시간보다 느림
현재는 가속 시뮬레이션만 가능

7-2. 가속 시뮬레이션

현재 대부분의 시뮬레이션은 실제 시간보다 빠르게 실행된다.

장점

빠른 실험
장기적 변화 관찰
계산 자원 효율적 사용

단점

실시간 상호작용 불가
동적 시스템의 정확도 문제

7-3. 실시간 달성을 위한 기술

하드웨어 개선

더 빠른 프로세서
병렬 처리 확대
전용 하드웨어

알고리즘 최적화

효율적인 알고리즘
근사 기법
적응적 계산

하이브리드 접근

중요한 부분만 정확히
나머지는 단순화
전체적으로 실시간 달성

8. 기술적 도전 과제

8-1. 계산 복잡도

문제

인간 뇌 시뮬레이션에 필요한 계산량이 엄청남
현재 기술로는 불가능
하드웨어 발전 속도가 부족

해결 방안

모델 단순화
하드웨어 가속
양자 컴퓨팅 탐구

8-2. 데이터 불완전성

문제

완전한 Connectome 데이터 없음
뇌의 동적 변화 파악 어려움
개인차와 가변성

해결 방안

더 많은 데이터 수집
통계적 모델링
개인화된 매핑

8-3. 검증의 어려움

문제

시뮬레이션이 정확한지 확인하기 어려움
실제 뇌와의 비교 어려움
의식의 존재 여부 확인 불가능

해결 방안

부분적 검증
행동 기반 검증
점진적 개선

8-4. 확장성

문제

작은 규모에서는 작동하지만 큰 규모에서는 실패
선형적 확장 불가능
병렬 처리의 한계

해결 방안

효율적인 병렬화
분산 시스템
계층적 접근

9. 미래 전망

9-1. 단기 (5-10년)

예상 성과

쥐 전체 뇌 시뮬레이션 완성
인간 뇌의 주요 영역 시뮬레이션
실시간 소규모 네트워크 시뮬레이션

기술 발전

GPU/TPU 성능 향상
신경형 칩 상용화
효율적인 알고리즘 개발

9-2. 중기 (10-20년)

예상 성과

인간 뇌의 상당 부분 시뮬레이션
가속 인간 뇌 시뮬레이션
실시간 중규모 네트워크

기술 발전

엑사플롭스급 슈퍼컴퓨터
양자 컴퓨팅 활용
완전 자동화된 시뮬레이션

9-3. 장기 (20년 이상)

예상 성과

인간 전체 뇌 시뮬레이션
실시간 인간 뇌 시뮬레이션
마인드업로드 기술적 준비 완료

기술 발전

혁신적인 계산 기술
완전한 뇌 데이터
검증된 시뮬레이션

10. 결론

뇌 시뮬레이션은 마인드업로드의 핵심 기술이다. Part 2에서 매핑한 뇌 구조를 이제 컴퓨터에서 작동시키는 것이 Part 3의 주제였다.

현재 기술로는 인간 뇌 전체를 시뮬레이션하는 것은 불가능하다. 계산 자원이 100-1,000배 부족하고, 완전한 데이터도 없다. 하지만 작은 동물의 뇌부터 시작하여 점진적으로 확장해 나가고 있다.

초파리 뇌의 완전한 시뮬레이션이 가능해졌고, 쥐 뇌의 일부도 시뮬레이션할 수 있다. 다음 단계는 쥐 전체 뇌, 그리고 마침내 인간 뇌다.

하지만 기술적 도전만 있는 것은 아니다. 시뮬레이션이 정확한지 검증하는 것도 어렵다. 그리고 가장 중요한 질문은, 시뮬레이션된 뇌에 의식이 있는가이다.

다음 글에서는 뇌와 컴퓨터를 직접 연결하는 뇌-컴퓨터 인터페이스(BCI) 기술을 다룰 예정이다. 시뮬레이션은 뇌를 재현하는 것이고, BCI는 뇌와 컴퓨터를 연결하는 것이다. 이 둘의 결합이 마인드업로드를 가능하게 할 것이다.

뇌 시뮬레이션의 완성은 마인드업로드로 가는 두 번째 관문이다. 우리는 그 관문을 넘어서고 있는가?

참고 자료 및 면책 조항

이 글은 공개된 과학 연구, 학술 논문, 공개된 프로젝트 정보, 그리고 공개된 기술 문서를 바탕으로 작성되었습니다.

면책 조항: 이 글에 포함된 내용은 교육 및 정보 제공 목적으로 작성되었으며, 과학적 연구와 기술적 탐구를 다룹니다. 언급된 기술, 프로젝트, 예측은 현재 연구 상태를 기반으로 한 것이며, 실제 구현 가능성과 시기는 불확실합니다. 특정 회사나 프로젝트의 제품을 보장하거나 홍보하는 것이 아닙니다.

참고 문헌

[1] Hodgkin, A. L., & Huxley, A. F. (1952). A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of Physiology, 117(4), 500-544. https://doi.org/10.1113/jphysiol.1952.sp004764

[2] Lapicque, L. (1907). Recherches quantitatives sur l’excitation électrique des nerfs traitée comme une polarisation. Journal de Physiologie et de Pathologie Générale, 9, 620-635.

[3] Bliss, T. V., & Lomo, T. (1973). Long-lasting potentiation of synaptic transmission in the dentate area of the anaesthetized rabbit following stimulation of the perforant path. The Journal of Physiology, 232(2), 331-356. https://doi.org/10.1113/jphysiol.1973.sp010273

[4] Bear, M. F., & Malenka, R. C. (1994). Synaptic plasticity: LTP and LTD. Current Opinion in Neurobiology, 4(3), 389-399. https://doi.org/10.1016/0959-4388(94)90101-5

[5] Markram, H., Lübke, J., Frotscher, M., & Sakmann, B. (1997). Regulation of synaptic efficacy by coincidence of postsynaptic APs and EPSPs. Science, 275(5297), 213-215. https://doi.org/10.1126/science.275.5297.213

[6] Markram, H. (2006). The Blue Brain Project. Nature Reviews Neuroscience, 7(2), 153-160. https://doi.org/10.1038/nrn1848

[7] Markram, H., et al. (2015). Reconstruction and simulation of neocortical microcircuitry. Cell, 163(2), 456-492. https://doi.org/10.1016/j.cell.2015.09.029

[8] Hines, M. L., & Carnevale, N. T. (2001). NEURON: a tool for neuroscientists. The Neuroscientist, 7(2), 123-135. https://doi.org/10.1177/107385840100700207

[9] Markram, H., et al. (2015). Reconstruction and simulation of neocortical microcircuitry. Cell, 163(2), 456-492. https://doi.org/10.1016/j.cell.2015.09.029

[10] Blue Brain Project. (2020). Blue Brain Project achieves major milestone: 100 million neurons simulated. EPFL. https://www.epfl.ch/labs/bluebrain/

[11] Amunts, K., et al. (2016). The Human Brain Project: Creating a European Research Infrastructure to Decode the Human Brain. Neuron, 92(3), 574-581. https://doi.org/10.1016/j.neuron.2016.10.046

[12] Human Brain Project. (2023). Human Brain Project Final Report. https://www.humanbrainproject.eu/

[13] Furber, S. B., et al. (2014). The SpiNNaker project. Proceedings of the IEEE, 102(5), 652-665. https://doi.org/10.1109/JPROC.2014.2304638

[14] Schemmel, J., et al. (2010). A wafer-scale neuromorphic hardware system for large-scale neural modeling. 2010 IEEE International Symposium on Circuits and Systems (ISCAS), 1947-1950. https://doi.org/10.1109/ISCAS.2010.5536970

[15] Merolla, P. A., et al. (2014). A million spiking-neuron integrated circuit with a scalable communication network and interface. Science, 345(6197), 668-673. https://doi.org/10.1126/science.1254642

[16] Davies, M., et al. (2018). Loihi: A neuromorphic manycore processor with on-chip learning. IEEE Micro, 38(1), 82-99. https://doi.org/10.1109/MM.2018.112130359

[17] Sandberg, A., & Bostrom, N. (2008). Whole brain emulation: A roadmap. Technical Report, Future of Humanity Institute, Oxford University. https://www.fhi.ox.ac.uk/reports/2008-3.pdf

[18] Lein, E. S., et al. (2007). Genome-wide atlas of gene expression in the adult mouse brain. Nature, 445(7124), 168-176. https://doi.org/10.1038/nature05453

[19] Dorkenwald, S., et al. (2023). Neuronal wiring diagram of an adult brain. bioRxiv. https://doi.org/10.1101/2023.06.27.546656

[20] Rall, W. (1962). Theory of physiological properties of dendrites. Annals of the New York Academy of Sciences, 96(4), 1071-1092. https://doi.org/10.1111/j.1749-6632.1962.tb54120.x

추가 참고 자료:

Allen Brain Atlas: https://portal.brain-map.org/
Blue Brain Project: https://www.epfl.ch/labs/bluebrain/
Human Brain Project: https://www.humanbrainproject.eu/
NEURON Simulation Environment: https://www.neuron.yale.edu/
계산 신경과학 교재 및 연구 자료