随机连接再生SET
原创科学 · 脑启发式稀疏智能
以原创 CHT 动态稀疏科学，开创脑启发式稀疏智能，推动下一代人工智能。
Cannistraci–Hebb Training
智能，学习构建
自身的结构。
一种原创的脑启发式学习范式，让神经网络在学习中演化自身连接，为下一代人工智能打开新的可能。
原创科学
让连接结构，
参与学习。
CHT 将权重优化与稀疏连接更新结合起来，利用网络自身的局部拓扑信息，预测并生长新的连接，让结构在训练中持续演化。
稀疏连接权重学习连接更新拓扑引导再生
拓扑引导的连接再生ESML · CH3-L3
共同起点
两种方法均从随机稀疏网络开始。
研究影像比较 SET 随机再生与 ESML 的 CH3-L3 拓扑引导再生；双曲圆盘是网络嵌入视图。
模型与方案
顶尖稀疏模型，
为一切硬件而生。
从云端推理、边缘系统到终端智能，SparseMind 以原创稀疏学习与模型—硬件协同设计，探索更高效的人工智能部署。
SparseLLM
围绕任务质量、目标硬件与运行环境，开展基于 CHT 的模型稀疏适配与评估。
探索 SparseLLMSparseChip
连接模型结构、训练适配与硬件约束，与伙伴共同探索高效计算。
探索 SparseChip云端边缘终端
探索应用方案 精选研究与进展
CARLO VITTORIO CANNISTRACI团队
从网络科学，
走向下一代
智能计算。
CHT 源自 Carlo Vittorio Cannistraci 教授及研究团队对脑网络组织与结构学习的原创探索。SparseMind 将科学洞察与模型、硬件和商业团队连接，让研究走向可验证的工程。
学术研究与公司工程进展分开呈现；论文作者与机构归属以原文为准。
认识团队与科学根源联系我们