Сегментная спайковая модель нейрона CSNM

Обложка

Цитировать

Полный текст

Аннотация

Цель настоящего исследования — разработка сегментной спайковой модели нейрона как элемента растущих нейронных сетей. Методы. В работе применены методы математического и численного моделирования и проведено сравнение реакций на одиночный импульс предложенной сегментной спайковой модели нейрона и модели порогового интегратора с утечкой. Рассмотрен также вопрос о влиянии гиперпараметров предложенной модели на динамику возбуждения нейрона. Все описанные эксперименты проводились в среде Matlab Simulink с использованием средств разработанной библиотеки. Результаты. По результатам исследования был сделан вывод о том, что предложенная модель способна качественно воспроизвести реакцию точечной классической модели, а настройка гиперпараметров позволяет воспроизводить следующие закономерности распространения сигналов в биологическом нейроне: уменьшение максимального потенциала и увеличение задержки между входным и выходным импульсами с увеличением размера нейрона или длины дендрита, а также рост потенциала при увеличении числа активных синапсов. Заключение. Показано, что предложенная сегментная спайковая модель нейрона позволяет описывать поведение биологических нейронов на уровне воспроизведения динамики преобразования импульсных сигналов. Гиперпараметры модели позволяют осуществлять настройку реакций нейрона при фиксированных остальных параметрах. Такая модель может использоваться как элемент спайковых нейронных сетей с детализацией до уровня сегментов дендритных деревьев нейронов.

Об авторах

Александр Валерьевич Бахшиев

Санкт-Петербургский политехнический университет Петра Великого

ORCID iD: 0000-0002-1284-0088
ул.Политехническая, 29

Александра Андреевна Демчева

Санкт-Петербургский политехнический университет Петра Великого

ул.Политехническая, 29

Список литературы

  1. Shrestha A., Mahmood A. Review of deep learning algorithms and architectures // IEEE Access. 2019. Vol. 7. P. 53040-53065. doi: 10.1109/ACCESS.2019.2912200.
  2. James C. D., Aimone J. B., Miner N. E., Vineyard C. M., Rothganger F. H., Carlson K. D., Mulder S. A., Draelos T. J., Faust A., Marinella M. J., Naegle J. H., Plimpton S. J. A historical survey of algorithms and hardware architectures for neural-inspired and neuromorphic computing applications // Biologically Inspired Cognitive Architectures. 2017. Vol. 19. P. 49-64. doi: 10.1016/j.bica.2016.11.002.
  3. Tavanaei A., Ghodrati M., Kheradpisheh S. R., Masquelier T., Maida A. Deep learning in spiking neural networks // Neural Networks. 2019. Vol. 111. P. 47-63. doi: 10.1016/j.neunet.2018.12.002.
  4. Marcus G. Deep Learning: A Critical Appraisal [Electronic resource] // arXiv:1801.00631. arXiv Preprint, 2018. 27 p. Available from: https://arxiv.org/abs/1801.00631.
  5. Gerstner W. Population dynamics of spiking neurons: Fast transients, asynchronous states, and locking // Neural Computation. 2000. Vol. 12, no. 1. P. 43-89. doi: 10.1162/089976600300015899.
  6. Gerstner W., Kistler W. M. Spiking Neuron Models: Single Neurons, Populations, Plasticity. Cambridge: Cambridge University Press, 2002. 480 p. doi: 10.1017/CBO9780511815706.
  7. Izhikevich E. M. Simple model of spiking neurons // IEEE Transactions on Neural Networks. 2003. Vol. 14, no. 6. P. 1569-1572. doi: 10.1109/TNN.2003.820440.
  8. Hodgkin A. L., Huxley A. F. A quantitative description of membrane current and its application to conduction and excitation in nerve // Bulletin of Mathematical Biology. 1990. Vol. 52, no. 1-2. P. 25-71. doi: 10.1007/BF02459568.
  9. Bell J. Cable theory // In: Binder M. D., Hirokawa N., Windhorst U. (eds) Encyclopedia of Neuroscience. Berlin, Heidelberg: Springer, 2009. doi: 10.1007/978-3-540-29678-2_775.
  10. Lindsay A. E., Lindsay K. A., Rosenberg J. R. Increased computational accuracy in multi-compartmental cable models by a novel approach for precise point process localization // Journal of Computational Neuroscience. 2005. Vol. 19, no. 1. P. 21-38. doi: 10.1007/s10827-005-0192-7.
  11. Бахшиев А. В., Романов С. П. Воспроизведение реакций естественных нейронов как результат моделирования структурно-функциональных свойств мембраны и организации синаптического аппарата // Нейрокомпьютеры: разработка, применение. 2012. № 7. С. 25-35.
  12. Bakhshiev A., Gundelakh F. Mathematical model of the impulses transformation processes in natural neurons for biologically inspired control systems development // In: Supplementary Proceedings of the 4th International Conference on Analysis of Images, Social Networks and Texts (AIST-SUP 2015). Vol. 1452. Yekaterinburg, Russia, April 9-11, 2015. Aachen, Germany: CEUR-WS, 2015. P. 1-12.
  13. Бахшиев А. В. Перспективы применения моделей биологических нейронных структур в системах управления движением // Информационно-измерительные и управляющие системы. 2011. № 9. С. 85-90.
  14. Экклс Дж. Физиология синапсов. М.: Мир, 1966. 396 с.
  15. Neuro Matlab: модели спайковых нейронов в Matlab Simulink [Электронный ресурс]. Режим доступа: https://github.com/aicommunity/NeuroMatlab.
  16. Бахшиев А. В., Корсаков А. М., Астапова Л. А., Станкевич Л. А. Структурная адаптация сегментной спайковой модели нейрона // Труды VII Всероссийской конференции «Нелинейная динамика в когнитивных исследованиях - 2021». Нижний Новгород, 20-24 сентября 2021. Нижний Новгород: Институт прикладной физики РАН, 2021. С. 30-33.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».