用遗传算法参数化模拟多隔间神经元
Raphael Stock1, Jakob Kaiser1, Eric Müller2
1Kirchhoff Institute for Physics, Heidelberg University, Heidelberg, 69120, Germany.
Open research Europe
|December 13, 2024
概括
遗传算法通过复制刺激后突触潜力 (EPSP) 衰减来有效地对模拟神经形态硬件进行参数化. 这种方法绕过了对特定领域知识的需求,简化了神经元模型校准.
科学领域:
- 计算神经科学是一种神经科学.
- 神经形态工程的神经形态工程
背景情况:
- 参数化多隔间神经元模型是复杂的,因为漏电和轴导电等关键值很难直接从观测中推导出来.
- 准确的参数化对于模型复制生物神经元行为至关重要,例如信号传播.
研究的目的:
- 为了复制刺激后突触潜能 (EPSP) 的减弱,沿着线性链的区间.
- 测试基因算法对模拟神经形态硬件进行参数化的有效性,特别是BrainScaleS-2平台.
主要方法:
- 采用遗传算法来确定适合神经元模拟的模型参数.
- 经过验证的遗传算法使用全面的网格搜索结果.
- 使用尖端触发平均值来减轻模拟系统固有的试验对试验的变化.
主要成果:
- 遗传算法成功复制了目标EPSP减弱行为.
- 单目标和多目标遗传算法搜索都被证明是有效的.
- 证明了基因算法用于模拟神经形态硬件参数化的实际应用.
结论:
- 遗传算法为参数化模拟神经形态硬件提供了一种可行的方法,而不需要深入的基底特定知识.
- 该研究验证了对复杂任务的遗传算法的使用,例如在神经元模型中复制信号传播动态.


