中全脑计算与介观尺度数据同化研究课件.pptx

1、全脑计算与介观尺度数据同化研究提纲 专项任务介绍 基于GPU的神经网络形态模拟 介观尺度数据同化 基于冯建峰MRI数据的同化初步结果 下一阶段计划与存在的问题人工神经网络发展主要里程碑共享的代表人物的专业背景基于类脑信息处理与认知机理的智能技术是下一代人工智能发展的方向l 微观微观：人类认知神经细胞水平建模l 宏观：宏观：全脑计算精确与精简的边界介观尺度数据同化研究（方向 一、脑智能理论与算法/任务4、神经形态模拟与智能算法库）模拟大规模神经元网络 介观（神经元）尺度数据同化 计算集群部署全脑模拟与数据同化 大脑孪生实验RmCmResetThresholdOutputV in数据同化适应性强的

2、计算神经元模拟RmCmResetThresholdOutputV in整合激发(IF)类模型支持任意网络模型Hierarchical directed/undirected random graph with constraints and multiple edges（多类突触）空间/功能分辨率脑区集成体素细胞柱实验观察/先验知识随机连接限制未知基于GPU的神经形态模拟计算优点：开发相对简单 适应性强 计算效率高 可作为专用神经形态芯片借鉴缺点：规模受限于显存与带宽Spike模拟与传输Spike点过程同步与异步方式 同步方式：统一积分步长，所有神经元/计算核按“积分/通讯/积分”同步执行，s

3、pike按0/1与入度传输 优点：编程简单，适应性强，误差可控 缺点：内存/带宽冗余，效率低 异步方式：神经元自行进行进行积分，spike发放按出度/时间传输 优点：稀疏化，计算/传输效率高 缺点：对于不同的神经元模型编程代价高，精度控制困难10M神经元（1G神经突触）网络模拟4种突触的渗透整合激发神经元模型基于冯建峰MRI的大脑网络模型限制限制编号编号限制描述限制描述1 1全体神经元分为兴奋性神经元与抑制性神经元，其比例为4：12 2突触连接保持兴奋性与抑制性后突触强度平衡（相等）3 3脑区内部链接和外部链接比例固定4 4兴奋性神经元平均突触连接（入度）等于1E35 5功能脑区（子网络）神经

4、元数目正比于sMRI测量出灰质体积6 6功能脑区（子网络）之间兴奋性突触数目正比于DTI数据计算得出的脑区间纤维数目基于脑区的两层网络模型神经元数目基于冯建峰sMRI的灰质比例脑区链接边数目基于冯建峰DTI的纤维数目fMRI观测：Balloon-Windkessel模型血管舒张信号神经行为血流血量脱氧血红蛋白BOLD 信号EquationsEquationsNotationsNotationsInflowBold signal下采样基于冯建峰MRI的10M神经元网络模拟结果数据同化目前成果/BBP单神经元数据同化Layer 1 338 neuronsLayer 2 and 3 7 524 ne

5、uronsLayer 4 4 656 neuronsLayer 5 6 114 neuronsLayer 6 12 651 neurons.目前成果/BBP单神经元数据同化目前成果/BBP单神经元数据同化Dimitris Vavoulis;Volko A.Straub,John A.D.Aston,Feng JF(2012).A self-organising state-space-model approach for parameter estimation in Hodgkin-Huxley-type models of single neurones PLoS Comp.Biol.Vo

6、lume 8|Issue 3|e1002401.Nicola Politi,Computational Learning in neurobiology modelling,Phd Thesis(2018)Nicola Politi,Jianfeng Feng,and Wenlian Lu.“Comparing data assimilation filters for parameter estimation in a neuron model”.In:Neural Networks(IJCNN),2016 International Joint Conference on.IEEE,201

7、6.Is it possible to estimate the neuronal network model in the fMRI-related computational model?A large number of parameters.If there are N neurons(nodes)in the model,there are O(N)node parameters,O(N)initial values,O(N2)connection parameters,O(N)hemodynamic parameters.1011 Neurons?Big and small dat

8、a.Each subject has 106 voxels and each voxel has only hundreds of time series of fMRI.Overfitting and computational complexity.多层贝叶斯推断与超参数估计多层贝叶斯Ensemble Kalman滤波 假设先验分布与输出的条件分布是高斯的，只需通过样本估计期望和协方差G.Eversen,Data assimilation Ensemble Kalman filter,2nd edtion,2009多层贝叶斯Bootstrap滤波Toy模型结果1K神经元的单个网络：模拟Bo

9、ld signal 估计Leakage 与AMPA导电率的（指数）分布的超参数 单脑区frMI拟合Bold Signals基于数据同化的手臂控制示例目标位置感知+基于数据同化控制信号InjectCurrents激发率Feature MapssController/|)(|)(0)0(,0)0(,2)0(,2)0(),(),(021212102121212121dtdWttQQQCNiiii 随机欧拉-拉格朗日方程分布式多层贝叶斯Ensemble Kalman滤波多层贝叶斯EnKF 1多层贝叶斯EnKF 2多层贝叶斯EnKF i介观尺度数据同化部署基于冯建峰MRI的全脑（多脑区）数据同化60脑区

10、200K神经元基于冯建峰MRI的全脑（多脑区）数据同化60脑区200K神经元平均误差（蓝色为EN_KF，绿色为D_KF）指标一览与完成情况数据同化方法与神经时空模态研究数据同化方法与神经时空模态研究总指标年度指标完成情况论文1022/3篇已接受（1篇10+期刊）专利00软著10未申请算法1（工具箱）0GPU模拟（入度）版本;方案11多脑区BOLD数据同化V1已完成平台10产品00指标一览与完成情况数据同化方法与神经时空模态研究数据同化方法与神经时空模态研究最终技术指标年度指标完成情况完成1014数量级神经元网络的数据同化部署技术方案；并参与实际部署。完成BBP神经元模型的数据同化，预测窗口相对

11、误差不高于10%；完成多层贝叶斯结构数据同理论与方法，实现105数量级神经元网络的数据同化完成BBP神经元数据同化，达到技术指标；完成10M神经元网络的模拟；完成10K神经元的数据同化单脑区静息态任务；任务态已完成方案，完成200K神经元全脑网络数据同化方案：全脑已完成方案，下一阶段（近期）工作计划目标 完成异步/基于入度GPU神经形态模拟方案 完成90脑区/100M神经元网络的Bold信号数据同化方案和部署 冯建峰任务态Bold signals的数据同化 Split Brain Word Auditory存在的问题下一阶段（长期）工作计划 生物/数字孪生实验数据方案 专业通讯设备/协议设计的探索 完全分布式/异步数据同化方案 学习/突触可塑性GPU实现