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 C Snyder6
1Neuroscience Institute, Carnegie Mellon University, Pittsburgh, PA, USA.
Nature computational science
|September 16, 2024
概括
我们使用人口统计 (SNOPS) 开发了尖端网络优化,以自动配置复杂的尖端神经网络模型. SNOPS准确地复制神经记录统计数据,促进大脑功能理解.
科学领域:
- 计算神经科学是一种神经科学.
- 系统神经科学 系统神经科学
- 神经工程 神经工程是神经工程.
背景情况:
- 计算模型对于通过模拟神经活动来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,但参数化起来很复杂.
- 目前的启发式方法限制了SNN匹配大规模神经记录的能力.
研究的目的:
- 引入一种自动化方法,即使用人口统计数据 (SNOPS) 进行尖端网络优化,用于配置SNN.
- 为了使SNN能够从记录中复制人口级神经活动统计数据.
- 为了增强复杂的神经活动模式的发现.
主要方法:
- 开发了用于自动优化SNN参数的SNOPS算法.
- 通过确认模拟神经活动统计数据的准确恢复,验证了SNOPS.
- 将SNOPS应用于来自的视觉和前额皮层的大规模神经记录.
主要成果:
- 从神经记录中,SNOPS成功地复制了全人口的共变性.
- 应用SNOPS揭示了当前SNN模型中以前未知的局限性.
- 该方法在恢复模拟的神经活动统计数据方面表现出高准确性.
结论:
- SNOPS提供了一种自动化和有效的方法来定制SNNs.
- 这种方法有助于开发更准确和生物可信的神经网络模型.
- SNOPS提供了一条通往更深入了解神经计算和大脑功能的途径.
