Neyronların dendritlərindəki hüceyrə alt mexanizmlər beynin öyrənmə və yaddaşının tətbiqini idarə etsə də, bu cür prosesləri göstərən geniş miqyaslı şəbəkə simulyasiyaları əldə etmək çətin qalır. Bu, bir tərəfdən çox ətraflı modellərə, digər tərəfdən isə nöqteyi nevronları olan kütləvi şəbəkələrə diqqət yetirən neyrobilim simulyatorları üçün uyğun proqram alətlərinin olmamasına görə izah edilə bilər. Burada bu boşluğu, özelleştirile bilən hüceyrəaltı dinamikada sadələşdirilmiş dendrit modellərinin böyük paralel simulyasiya üçün bir çərçivə tətbiq edərək dolduruq. Biz nörobilimli simulyasiya vasitəsindən istifadə edirik (NEST), nörobilimli referent, nörobilimli şəbəkələrin effektiv paralel simulyasiyalarına görə. NESTML model təsvir dili ilə birlikdə istifadəçi tərəfindən qurulana bilən subseylli dinamikləri tətbiq edən C ++ kodunu yaradırıq. Biz göstəririk ki, yaradılan modellər səmərəli işləyir və bu da miqyaslı NEST şəbəkə simulyasiyalarına səbəb olur. Mötəxəssislərin funksionaliyyətlərini nümayiş etdirmək üçün bir konsepsiya sübutunu təqdim edirik ki, əsas sensor hesablamaları 1 qatdakı distal dendritlərə yuxarıdan aşağıya daxil olan kontekstin birləşməsi və perisomatik olaraq gələn geriyə keçid sensor girişləri apikal kalsium dinamikası vasitəsilə bircə atış yolu ilə əldə edilə bilər. Bizim işimiz, beləliklə, dendrit proseslərinin şəbəkə funksiyasını və miqyasda öyrənməni necə formalaşdırdığını öyrənməyə imkan verir.
Beyin kompüterləri böyük bir paralel şəkildə hesablayır. İnsan beynində 86 milyard nevron1 sinaptik girişləri davamlı olaraq hərəkət potensialının (AP) çıxış siqnallarına çevirir. Bundan əlavə, hüceyrə altındakı səviyyədə də hesablamalar böyük bir paralel şəkildə davam edir. Təxminən 150 trilyon sinaps2 (nevrona görə ~ 10,000-ə qədər) dendrit bölmələri daxilində mürəkkəb molekulyar siqnal şəbəkələri tərəfindən dəstəklənilir. Özlüyündə bu siqnal şəbəkələri həmçinin sinaptik girişləri, geri yayılan AP-ləri və yerli gərginlik və konsentrasiya siqnallarını öyrənmə və yaddaşın dəstəklənməsini təmin edən ağırlıq dinamikasına çevirən nanoskala hesablamaları kimi başa düşülə bilər3. Bundan əlavə, süni intellekt texnologiyalarının son, partlayıcı artımı miqyasının əhəmiyyətini göstərdi4, çünki böyük ölçüdə məşhur diqqət motivini tətbiq etməklə əldə edildi5, 6,7,8 böyük miqyaslarda. Eyni şəkildə, subsehlü proseslərin hesablama əhəmiyyətini anlamaq üçün onları böyük miqyaslı şəbəkə simulyasiyalarına daxil etmək tələb olunacağı gözlənilir. Beləliklə, müasir superkompüter memarlıqlarının paralelləşdirmə və vektorlaşdırma imkanlarından istifadə etmək, böyük paralel şəkildə miqyasda beyin simulyasiyasını həyata keçirmək təbii haldır.
Bəzi nöronların modellərini çox ətraflı araşdırmaq üçün ən geniş istifadə olunan vasitə olan uğurlu NEURON 9,10 simulyatorunda biofiziki cəhətdən ətraflı modellərdə hüceyrəaltı proseslərin simulyasiyası uzun müddət tətbiq edilmişdir. NEURON CoreNEURON10 vasitəsilə şəbəkə modellərinin səmərəli paralel simulyasiyalarını qəbul etsə də, istifadəçilər MPI proseslərində neyronların paralel paylanmasına özləri baxmalıdırlar11. Bundan əlavə, NEURONs API mürəkkəb modellərə yönəlmiş, morfoloji məlumat fayllarını oxuyan və ya nöronları silindərin birləşməsi kimi quran interfeyslər təqdim edir9; fərdi bölmələrin parametrləri aşkarlanmır. Lakin son zamanlar sistem səviyyəsində dendriti hesablamaların rolunu araşdırmaq üçün mümkün qədər sadə şəkildə dendriti əsaslıqları tutmaqda maraq artıb12,13,14,15,16,17. Buna görə də, fərdi elektrik bölmələrinin parametrlərinin aşkar edildiyi bir orta təsvir səviyyəsi lazımdır ki, bir neçə bölmə və abstrakt dendriti spike mexanizmləri olan xüsusi neuron düzənlikləri yaradılsın.
Bu məqsədlər üçün Neural Simulation Tool (NEST) çoxlu paralel simulyasiyalara yönəlmiş spiking şəbəkə modellərini hədəflədiyi üçün perspektivli bir namizəddir18. Arbor19 və EDEN20 kimi son çərçivələr yüksək performanslı çox hissə simulyasiya vasitələrinin daha geniş ehtiyacını göstərir, lakin müxtəlif iş axını rejimlərini həll edir: Arbor müasir yüksək performanslı hesablama sistemlərində morfoloji cəhətdən ətraflı çox hissə şəbəkələrini hədəf alır, EDEN isə NeuroML əsaslı model analizi və kod istehsalını istifadə edərək ümumi sinir modellərini səmərəli şəkildə icra edir. NEST-də simulyasiya nüvəsi paralel proseslər üzərində yüksək vaxtları səmərəli şəkildə ünsiyyətə gətirmək üçün optimallaşdırılıb21,22,23,24, və əsas güc MPI prosesləri arasında avtomatik paylanmaqdır25 və OpenMP nüvələri26 istifadəçi üzərində az xərcləməklə. NEST son vaxtlar böyük paralellik imkanlarını daha da genişləndirən, spiking şəbəkələrini simulyasiya etmək üçün GPU əsaslı bir çərçivə ilə genişləndirilib24,27,28. Bununla birlikdə, indiyə qədər NEST-in şəbəkələrin bir hissəsi olaraq daha ətraflı bölmə modellərini simulyasiya etmək üçün məhdud seçimləri var idi; istifadəçilər əsasən xüsusi C ++ kodunu inkişaf etdirməli və ya bölmə tənliklərini açıq şəkildə təyin etmək üçün NESTML-dən istifadə etməli idilər. Birinci variant isə çətin, ikinci variant isə qeyri-optimaldır, çünki NESTML ənənəvi olaraq tək bölmə modellərinə yönəldilir29. Standart NESTML kompartment dinamikası açıq şəkildə yazıldıqda açıq bir Runge-Kutta inteqrasiya sxeminə müraciət edəcək30, Hines algoritması ilə həll edilmiş yarı-mütəxəssis kabel tənliklərinin yeniləməsi daha səmərəli və sabitdir və məkanlı olaraq uzadılmış nevron modellərinin simulyasiyası üçün qızıl standartdır9.
Neyronlarda yerləşən, özləri də böyük şəbəkələrdə yerləşən hüceyrəaltı proseslərin paralel simulyasiyasını asanlaşdırmaq üçün biz NEST-də vektorlaşdırılmış kompartmental modelləşdirmə çərçivəsini inkişaf etdirmək üçün NESTML model təsviri dilindən istifadə etdik. Bu modelləşdirmə çərçivəsində NESTML, prinsipial olaraq, nöronun hər bölməsində simulyasiya edilə bilən dinamikləri təsvir etmək üçün istifadə olunur. Bu mənada NESTML bu səbəbdən NEURON'un NMODL dilinə oxşar şəkildə istifadə olunur32,33. Bu mexanizmlər ion kanallarını, sinapti reseptorları, konsentrasiyanın dinamikasını, inteqrasiya və atəşə tutma
Xülasə — davamını mənbədə oxuyun.
