关键词:神经科学,系统仿真,人工智能
论文标题:A GPU-based computational framework that bridges neuron simulation and artificial intelligence
论文来源:Nature Communications
斑图链接:https://pattern.swarma.org/paper/3db7fe30-5677-11ee-9145-0242ac17000d
原文链接:https://www.nature.com/articles/s41467-023-41553-7
生物物理学上详细的多区段模型是探索大脑计算原理的强大工具,也可作为生成人工智能(AI)系统算法的理论框架,然而,昂贵的计算成本严重限制了其在神经科学和人工智能领域的应用。在模拟详细的区段模型期间的主要瓶颈是模拟器解决大规模线性方程组的能力。
文章提出一种新颖的树突分层调度(Dendritic Hierarchical Scheduling, DHS)方法,可以显著加速这一过程,作者从理论上证明DHS实现在计算上是最优的和准确的,这种基于GPU的方法的速度比传统CPU平台上的经典串行Hines方法快2到3个数量级。
图1 DHS方法显著降低了计算成本,即解方程的计算步骤。
作者构建了一个DeepDendrite框架,将DHS方法和NEURON模拟器的GPU计算引擎集成在一起,并展示了DeepDendrite 在神经科学任务中的应用,研究脊柱输入的空间模式如何影响具有25,000个脊柱的详细人类锥体神经元模型的兴奋性。
此外还简要讨论了 DeepDendrite 在人工智能领域的潜力,特别强调它能够在典型的图像分类任务中实现高效的生物物理详细模型训练。DeepDendrite为减少生物物理神经元模拟的计算成本提供了有价值的工具,并实现了详细神经网络模型的更高效训练,弥合了神经科学和人工智能研究之间的差距。
推荐阅读