大规模尖端网络模型的自动定制,以对神经元人口活动进行自动定制
Shenghao Wu1,2,3, Chengcheng Huang3,4,5, Adam Snyder6,7,8
1Neuroscience Institute, Carnegie Mellon University, Pittsburgh, PA, USA.
bioRxiv : the preprint server for biology
|October 4, 2023
概括
我们使用人口统计 (SNOPS) 开发了尖端网络优化,以创建大脑活动的计算模型. 斯诺普斯定制尖端神经网络以匹配复杂的神经记录,进步我们对大脑功能的理解.
科学领域:
- 计算神经科学是一种计算神经科学.
- 系统神经科学 系统神经科学
背景情况:
- 计算模型对于理解大脑功能至关重要.
- 尖端神经网络 (SNN) 模拟神经元生物物理,但其配置复杂.
- 目前的方法很难将SNN与大规模的神经记录相匹配.
研究的目的:
- 引入使用人口统计 (SNOPS) 来定制SNN的尖端网络优化.
- 为了使SNN能够从记录中复制全人口神经活动统计数据.
主要方法:
- 开发了SNOPS,这是SNN配置的自动程序.
- 与模拟的神经活动统计数据对比的验证的SNOPS.
- 应用了SNOPS对的视觉和前额叶皮层记录.
主要成果:
- SNOPS准确地恢复了模拟的神经活动统计数据.
- 应用SNOPS揭示了当前SNN模型中的局限性.
- 识别了以前未知的尖端网络模型的限制.
结论:
- SNOPS提供了一种自动化方法,用于开发准确的SNN模型.
- 这种方法可以更深入地了解神经网络的功能.
- SNOPS有助于理解神经网络如何产生大脑功能.
