CN114186674A - 一种基于树结构划分的精细神经元高效仿真方法和装置 - Google Patents

一种基于树结构划分的精细神经元高效仿真方法和装置 Download PDF

Info

Publication number
CN114186674A
CN114186674A CN202111335291.6A CN202111335291A CN114186674A CN 114186674 A CN114186674 A CN 114186674A CN 202111335291 A CN202111335291 A CN 202111335291A CN 114186674 A CN114186674 A CN 114186674A
Authority
CN
China
Prior art keywords
tree structure
branch
simulation
neuron
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111335291.6A
Other languages
English (en)
Inventor
黄铁军
张祎晨
杜凯
马雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202111335291.6A priority Critical patent/CN114186674A/zh
Publication of CN114186674A publication Critical patent/CN114186674A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于树结构划分的精细神经元高效仿真方法、装置、计算机设备和存储介质，所述方法包括：计算代价函数，并基于代价函数构建对应的划分模型；根据划分模型，对树结构进行划分，得到各个分支子树；将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；以及将仿真结果推送至目标用户终端设备上进行展示。采用本申请实施例的仿真方法，由于引入了基于代价函数构建的划分模型，根据划分模型，对树结构进行划分，得到各个分支子树；并将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；本发明的仿真方法，充分利用并行计算架构进行仿真计算，极大地提高了仿真计算处理的处理效率。

Description

一种基于树结构划分的精细神经元高效仿真方法和装置
技术领域
本发明涉及计算机技术领域，特别涉及一种基于树结构划分的精细神经元高效仿真方法和装置。
背景技术
大脑不同脑区的神经元具有很高的复杂性，不同于现有的人工神经网络，生物大脑中单个神经元具有非常复杂的结构，有大量研究工作表明这种具有复杂结构的神经元有着强大的计算能力，因此，对大脑的仿真需要使用带有树突结构的精细神经元模型。
由大量精细神经元模型组成的大规模精细神经网络可以仿真不同尺度的大脑响应现象，在树突信息处理和大脑神经环路功能之间建立起桥梁，对于脑科学以及脑启发的人工智能有重要意义。但精细神经元在具有强大计算能力的同时，由于其具有非常复杂的结构，具有很高的计算复杂度，在仿真时非常耗时。由这种精细神经元模型组成的网络计算量更是巨大。整个仿真过程中，求解线性方程组的计算耗时最长，是仿真过程的效率瓶颈。现有仿真方法与仿真平台由于无法高效求解线性方程组，导致仿真大规模精细神经网络时耗时过长，无法实现大规模精细神经网络的高效仿真，极大地限制了相关方面的研究。
发明内容
本申请实施例提供了一种基于树结构划分的精细神经元高效仿真方法、装置、计算机设备和存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于树结构划分的精细神经元高效仿真方法，所述方法包括：
根据待计算的精细神经元模型，构建神经元计算对应的树结构；
计算代价函数，并基于所述代价函数构建对应的划分模型；
根据所述划分模型，对所述树结构进行划分，得到各个分支子树；
将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；
将所述仿真结果推送至目标用户终端设备上进行展示。
在一种可能的实现方式中，所述根据待计算的精细神经元模型，构建神经元计算对应的树结构包括：
将所述精细神经元模型上的每一个计算单元对应为所述树结构上的一个节点；
以细胞体作为根节点，将计算时具有前后依赖关系的节点构成父子节点，依次构建形成对应的树结构。
在一种可能的实现方式中，所述根据所述划分模型，对所述树结构进行划分，得到对应的各个分支子树包括：
所述划分模型对应的划分方式为：将所述树结构划分为多个部分C(T)＝{Troot，T1，T2...Tk}
各个部分的节点数分别为{W(Troot)，W(T1)，W(T2)...W(Tk)}，}其中，Troot为包含根节点的子树，T1，T2…Tk为划分得到的各个分支；
根据所述划分模型，对所述树结构进行划分，得到对应的各个分支子树。
在一种可能的实现方式中，在所述根据所述划分模型，对所述树结构进行划分，得到对应的各个分支子树之后，所述方法还包括：
根据第一预设条件，对各个分支子树进行优化，得到优化后的各个分支子树。
在一种可能的实现方式中，在所述根据第一预设条件，对各个分支子树进行优化，得到优化后的各个分支子树之前，所述方法还包括：
读取所述第一预设条件，所述第一预设条件包括：
在三角化处理过程中，当且仅当各个分支子树均完成对应的计算处理过程之后，才能进行根子树的计算处理过程；以及
在回代处理过程中，在完成所述根子树的计算处理过程之后，才能进行各个分支子树的计算处理过程。
在一种可能的实现方式中，所述方法还包括：
对神经元进行划分之后的计算代价为
Figure BDA0003350281990000031
在一种可能的实现方式中，所述基于所述代价函数构建对应的划分模型包括：
使用启发式搜索的方式寻找一种划分，使得划分结果在符合第二预设条件的前提下最小化所述代价函数的数值；所述第二预设条件包括：基于所述初始划分模型所得的所述划分模型对所述树结构进行划分所得的各个分支子树之间均不存在交集。
第二方面，本申请实施例提供了一种基于树结构划分的精细神经元高效仿真装置，所述装置包括：
树结构构建模块，用于根据待计算的精细神经元模型，构建神经元计算对应的树结构；
计算模块，用于计算代价函数；
划分模型构建模块，用于基于所述计算模块计算得到的所述代价函数构建对应的划分模型；
划分模块，用于根据所述划分模型构建模块构建的所述划分模型，对所述树结构进行划分，得到各个分支子树；
仿真模块，用于将所述划分模型划分得到的各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果。
推送及展示模块，用于将所述仿真模块得到的所述仿真结果推送至目标用户终端设备上进行展示。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述的方法步骤。
第四方面，本申请实施例提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，根据待计算的精细神经元模型，构建神经元计算对应的树结构；计算代价函数，并基于代价函数构建对应的划分模型；根据划分模型，对树结构进行划分，得到各个分支子树；将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；以及将仿真结果推送至目标用户终端设备上进行展示。采用本申请实施例提供的仿真方法，由于本申请引入了基于代价函数构建的划分模型，根据划分模型，对树结构进行划分，得到各个分支子树；并将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；这样，基于能够进行并行仿真计算处理，这样，大大地提高了仿真计算处理的处理效率，还能够将仿真结果推送至目标用户终端设备上进行展示，这样，仿真结果更加直观，提高了用户体验度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于树结构划分的精细神经元高效仿真方法的流程示意图；
图2是本申请实施例具体应用场景下的构建神经元计算对应的树结构的示意图；
图3是本申请实施例具体应用场景下的基于代价函数，以较小代价进行划分的示意图；
图4是本申请实施例具体应用场景下的不同分支节点分配至对应线程进行并行计算的示意图；
图5是本申请实施例提供的一种基于树结构划分的精细神经元高效仿真装置的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面结合附图详细说明本公开的可选实施例。
请参见图1，为本申请实施例提供了一种基于树结构划分的精细神经元高效仿真方法的流程示意图。如图1所示，本申请实施例的基于树结构划分的精细神经元高效仿真方法可以包括以下步骤：
S101，根据待计算的精细神经元模型，构建神经元计算对应的树结构。
在一种可能的实现方式中，根据待计算的精细神经元模型，构建神经元计算对应的树结构包括以下步骤：
将精细神经元模型上的每一个计算单元对应为树结构上的一个节点；
以细胞体作为根节点，将计算时具有前后依赖关系的节点构成父子节点，依次构建形成对应的树结构。
在一种具体应用场景中，构建神经元计算对应的树结构的过程具体如下所述：
根据精细神经元建模基础理论，一个真实的生物神经元可以用若干相互连接的计算单元(compartment)进行建模，为发掘计算中的可并行性，首先根据神经元结构构建出其对应的树结构。将神经元模型上的每一计算单元对应为树结构上的一个节点，以细胞体作为根节点，计算时具有先后依赖关系的节点构成父子节点，构建形成对应树结构。形成树结构后，计算过程可与树结构对应，不同分支之间计算互相不存在依赖关系，可进行并行。整体过程如图2所示。
S102，计算代价函数，并基于代价函数构建对应的划分模型。
在一种具体应用场景中，计算代价函数，并基于代价函数构建对应的划分模型的过程具体如下所述：
在单神经元的高效并行算法中，最关键的是如何对S101中构建的树T求得最优的可并行划分。对于树T＝(V,E)，若划分C将其划分为若干部分C(T)＝{Troot,T1,T2…Tk}，每一部分的节点数分别为{W(Troot),W(T1),W(T2)…W(Tk)}，其中Troot表示包含根节点的子树，T1,T2…Tk表示划分得到的各分支。为保证计算结果正确，划分得到的各子树之间的计算需满足如下关系：1)三角化过程中，当且仅当各分支子树完成所有计算后，才能进行根子树的计算；2)回代过程中，需要首先完成根子树的所有计算后才能进行各分支子树的计算。各分支子树可以进行并行计算，因此，所有分支子树的计算代价为最大分支子树上的节点数目
Figure BDA0003350281990000061
根子树的计算与所有分支子树串行进行，其计算代价为W(Troot)。完成神经元上所有节点的计算所需的计算代价为
Figure BDA0003350281990000062
为提高仿真效率，需要求得划分Ci(T)，使计算代价尽可能小。
综上所述，对精细神经元对应的树结构划分问题建立如下模型，即给定一精细神经元对应的树T，求得划分C使计算代价最小，且划分得到的各分支子树之间不存在交集(为保证计算正确，若分支子树存在交集则无法对子树进行并行计算)。
Figure BDA0003350281990000063
Figure BDA0003350281990000064
在一种可能的实现方式中，在基于代价函数构建对应的划分模型之前，本申请实施例提供的仿真方法还包括以下步骤：
确定不同应用场景下的计算代价，具体如下所述：
对神经元进行划分之后的计算代价为
Figure BDA0003350281990000065
在一种可能的实现方式中，基于代价函数构建对应的划分模型包括以下步骤：
使用启发式搜索的方式寻找一种划分，使得划分结果在符合第二预设条件的前提下最小化所述代价函数的数值；
第二预设条件包括：基于初始划分模型所得的划分模型对树结构进行划分所得的各个分支子树之间均不存在交集。
上述仅仅罗列了一种应用场景下的第二预设条件，还可以根据不同应用场景的需求，对用于对初始划分模型进行优化的第二预设条件进行调整，在此不再赘述。
S103，根据划分模型，对树结构进行划分，得到各个分支子树。
在一种具体应用场景中，对树结构的划分过程具体如下所述：
针对所建模的优化目标，本申请实施例提供的仿真方法提出了基于分割移动(cutshift)的树划分算法，对于每个需要计算的精细神经元模型，按构建的树结构，根据上述S102中的代价函数，求得计算代价较小的划分。算法过程如下：给定一棵树，初始化将所有分割置于根节点对应的边，之后通过对神经元拓扑结构的分析将分割按照一定的策略移动到树的不同分支上，形成不同分支子树。最后根据目标函数选取最优划分。算法具体细节如图3所示，其核心思想如下：每次按照能使代价最小的子树上移动划分，同时对对应分支上所有节点的状态进行更新，使得当该分支上存在一个分割时，不会有其他分割移动到该分支上。每次生成新的划分，按上述S102中的方式求得计算代价，取计算代价最小的划分为最终结果。
在一种可能的实现方式中，根据划分模型，对树结构进行划分，得到对应的各个分支子树包括以下步骤：
划分模型对应的划分方式为：将树结构划分为多个部分C(T)＝{Troot，T1，T2...Tk}
各个部分的节点数分别为{W(Troot)，W(T1)，W(T2)，...W(Tk)}，}其中，Troot为包含根节点的子树，T1，T2…Tk为划分得到的各个分支；
根据划分模型，对树结构进行划分，得到对应的各个分支子树。
在一种可能的实现方式中，在根据划分模型，对树结构进行划分，得到对应的各个分支子树之后，本申请实施例提供的仿真方法还包括以下步骤：
根据第一预设条件，对各个分支子树进行优化，得到优化后的各个分支子树。
在本申请实施例中，第一预设条件包括：
在三角化处理过程中，当且仅当各个分支子树均完成对应的计算处理过程之后，才能进行根子树的计算处理过程；以及
在回代处理过程中，在完成根子树的计算处理过程之后，才能进行各个分支子树的计算处理过程。
上述仅仅罗列了一种应用场景下的第一预设条件，还可以根据不同应用场景的需求，对用于对各个分支子树进行优化的第一预设条件进行调整，在此不再赘述。
在一种可能的实现方式中，在根据第一预设条件，对各个分支子树进行优化，得到优化后的各个分支子树之前，本申请实施例提供的仿真方法还包括以下步骤：
读取第一预设条件，第一预设条件包括：
在三角化处理过程中，当且仅当各个分支子树均完成对应的计算处理过程之后，才能进行根子树的计算处理过程；以及
在回代处理过程中，在完成根子树的计算处理过程之后，才能进行各个分支子树的计算处理过程。
上述仅仅罗列了一种应用场景下的第一预设条件，还可以根据不同应用场景的需求，对用于对各个分支子树进行优化的第一预设条件进行调整，在此不再赘述。
S104，将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果。
在一种具体应用场景中，并行仿真计算的过程具体如下所述：
将上述S103中划分得到的子树分配到不同计算单元进行仿真计算。首先，将各分支节点分配到不同线程，对于同一分支上的不同节点，根据计算时的依赖关系，确定其在对应线程上的计算顺序，并将其计算顺序进行标记。将所有节点按正确顺序进行排列。完成各分支节点的分配后，将根节点分支分配到包含节点数最多的线程，以保证各分支和根子树的计算可以按照正确的顺序进行。计算时，各线程按照其负责节点的计算顺序标记逐步进行计算，由此，可实现各分支中的节点并行计算。各线程完成当前节点的计算后需要进行同步，保证所有节点同时进行下一节点的计算，以此保证结果准确。图4展示了上述过程，将不同分支节点分配到对应线程进行并行计算。
在本申请实施例中，各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，基于各个分支子树能够进行并行仿真计算处理，这样，大大地提高了仿真计算处理的处理效率。
S105，将仿真结果推送至目标用户终端设备上进行展示。
在本申请实施例中，仿真结果还可以以直观地图表形式进行展示，这样，仿真结果更加直观，从而提高了用户体验度。
在本申请实施例中，根据待计算的精细神经元模型，构建神经元计算对应的树结构；计算代价函数，并基于代价函数构建对应的划分模型；根据划分模型，对树结构进行划分，得到各个分支子树；将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；以及将仿真结果推送至目标用户终端设备上进行展示。采用本申请实施例提供的仿真方法，由于本申请引入了基于代价函数构建的划分模型，根据划分模型，对树结构进行划分，得到各个分支子树；并将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；这样，基于能够进行并行仿真计算处理，这样，大大地提高了仿真计算处理的处理效率，还能够将仿真结果推送至目标用户终端设备上进行展示，这样，仿真结果更加直观，提高了用户体验度。
下述为本发明基于树结构划分的精细神经元高效仿真装置实施例，可以用于执行本发明基于树结构划分的精细神经元高效仿真方法实施例。对于本发明基于树结构划分的精细神经元高效仿真装置实施例中未披露的细节，请参照本发明基于树结构划分的精细神经元高效仿真方法实施例。
请参见图5，其示出了本发明一个示例性实施例提供的基于树结构划分的精细神经元高效仿真装置的结构示意图。该基于树结构划分的精细神经元高效仿真装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该基于树结构划分的精细神经元高效仿真装置包括树结构构建模块10、计算模块20、划分模型构建模块30、划分模块40、仿真模块50和推送及展示模块60。
具体而言，树结构构建模块10，用于根据待计算的精细神经元模型，构建神经元计算对应的树结构；
计算模块20，用于计算代价函数；
划分模型构建模块30，用于基于计算模块20计算得到的代价函数构建对应的划分模型；
划分模块40，用于根据划分模型构建模块30构建的划分模型，对树结构进行划分，得到各个分支子树；
仿真模块50，用于将划分模型划分得到的各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；
推送及展示模块60，用于将仿真模块50得到的仿真结果推送至目标用户终端设备上进行展示。
可选的，树结构构建模块10具体用于：
将精细神经元模型上的每一个计算单元对应为树结构上的一个节点；
以细胞体作为根节点，将计算时具有前后依赖关系的节点构成父子节点，依次构建形成对应的树结构。
可选的，划分模块40具体用于：
划分模型对应的划分方式为：将树结构划分为多个部分C(T)＝{Troot，T1，T2...Tk}
各个部分的节点数分别为{W(Troot)，W(T1)，W(T2)...W(Tk)}，}其中，Troot为包含根节点的子树，T1，T2…Tk为划分得到的各个分支；
根据划分模型，对树结构进行划分，得到对应的各个分支子树。
可选的，所述装置还包括：
优化模块(在图5中未示出)，用于在划分模块40根据划分模型，对树结构进行划分，得到对应的各个分支子树之后，根据第一预设条件，对各个分支子树进行优化，得到优化后的各个分支子树。
可选的，所述装置还包括：
读取模块(在图5中未示出)，用于在优化模块根据第一预设条件，对各个分支子树进行优化，得到优化后的各个分支子树之前，读取第一预设条件，读取模块读取的第一预设条件包括：在三角化处理过程中，当且仅当各个分支子树均完成对应的计算处理过程之后，才能进行根子树的计算处理过程；以及在回代处理过程中，在完成根子树的计算处理过程之后，才能进行各个分支子树的计算处理过程。
可选的，对神经元进行划分之后的计算代价为
Figure BDA0003350281990000111
可选的，划分模型构建模块30具体用于：
使用启发式搜索的方式寻找一种划分，使得划分结果在符合第二预设条件的前提下最小化所述代价函数的数值；
第二预设条件包括：基于初始划分模型所得的划分模型对树结构进行划分所得的各个分支子树之间均不存在交集。
需要说明的是，上述实施例提供的基于树结构划分的精细神经元高效仿真装置在执行基于树结构划分的精细神经元高效仿真方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于树结构划分的精细神经元高效仿真装置与基于树结构划分的精细神经元高效仿真方法实施例属于同一构思，其体现实现过程详见基于树结构划分的精细神经元高效仿真方法实施例，这里不再赘述。
在本申请实施例中，树结构构建模块用于根据待计算的精细神经元模型，构建神经元计算对应的树结构；计算模块用于计算代价函数；划分模型构建模块用于基于计算模块计算得到的代价函数构建对应的划分模型；划分模块用于根据划分模型构建模块构建的划分模型，对树结构进行划分，得到各个分支子树；仿真模块用于将划分模型划分得到的各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；以及推送及展示模块用于将仿真模块得到的仿真结果推送至目标用户终端设备上进行展示。采用本申请实施例提供的仿真装置，由于本申请引入了基于代价函数构建的划分模型，根据划分模型，对树结构进行划分，得到各个分支子树；并将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；本申请实施例提供的仿真装置，充分利用并行计算架构进行仿真计算，极大地提高了仿真计算处理的处理效率。
在一个实施例中，提出了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：根据待计算的精细神经元模型，构建神经元计算对应的树结构；计算代价函数，并基于代价函数构建对应的划分模型；根据划分模型，对树结构进行划分，得到各个分支子树；将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；以及将仿真结果推送至目标用户终端设备上进行展示。
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：根据待计算的精细神经元模型，构建神经元计算对应的树结构；计算代价函数，并基于代价函数构建对应的划分模型；根据划分模型，对树结构进行划分，得到各个分支子树；将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；以及将仿真结果推送至目标用户终端设备上进行展示。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于树结构划分的精细神经元高效仿真方法，其特征在于，所述方法包括：
根据待计算的精细神经元模型，构建神经元计算对应的树结构；
计算代价函数，并基于所述代价函数构建对应的划分模型；
根据所述划分模型，对所述树结构进行划分，得到各个分支子树；
将各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果，将所述仿真结果推送至目标用户终端设备上进行展示。
2.根据权利要求1所述的方法，其特征在于，所述根据待计算的精细神经元模型，构建神经元计算对应的树结构包括：
将所述精细神经元模型上的每一个计算单元对应为所述树结构上的一个节点；
以细胞体作为根节点，将计算时具有前后依赖关系的节点构成父子节点，依次构建形成对应的树结构。
3.根据权利要求1所述的方法，其特征在于，所述根据所述划分模型，对所述树结构进行划分，得到对应的各个分支子树包括：
所述划分模型对应的划分方式为：将所述树结构划分为多个部分C(T)＝{Troot，T1，T2…Tk}
各个部分的节点数分别为{W(Troot)，W(T1)，W(T2)…W(Tk)}其中，Troot为包含根节点的子树，T1，T2…Tk为划分得到的各个分支；
根据所述划分模型，对所述树结构进行划分，得到对应的各个分支子树。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述划分模型，对所述树结构进行划分，得到对应的各个分支子树之后，所述方法还包括：
根据第一预设条件，对各个分支子树进行优化，得到优化后的各个分支子树。
5.根据权利要求4所述的方法，其特征在于，在所述根据第一预设条件，对各个分支子树进行优化，得到优化后的各个分支子树之前，所述方法还包括：
读取所述第一预设条件，所述第一预设条件包括：
在三角化处理过程中，当且仅当各个分支子树均完成对应的计算处理过程之后，才能进行根子树的计算处理过程；以及
在回代处理过程中，在完成所述根子树的计算处理过程之后，才能进行各个分支子树的计算处理过程。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对神经元进行划分之后的计算代价为
Figure FDA0003350281980000021
7.根据权利要求1所述的方法，其特征在于，所述基于所述代价函数构建对应的划分模型包括：
使用启发式搜索的方式寻找一种划分，使得划分结果在符合第二预设条件的前提下最小化所述代价函数的数值；所述第二预设条件包括：基于所述初始划分模型所得的所述划分模型对所述树结构进行划分所得的各个分支子树之间均不存在交集。
8.一种基于树结构划分的精细神经元高效仿真装置，其特征在于，所述装置包括：
树结构构建模块，用于根据待计算的精细神经元模型，构建神经元计算对应的树结构；
计算模块，用于计算代价函数；
划分模型构建模块，用于基于所述计算模块计算得到的所述代价函数构建对应的划分模型；
划分模块，用于根据所述划分模型构建模块构建的所述划分模型，对所述树结构进行划分，得到各个分支子树；
仿真模块，用于将所述划分模型划分得到的各个分支子树分别分配至对应的计算单元进行并行仿真计算处理，得到仿真结果；
推送及展示模块，用于将所述仿真模块得到的所述仿真结果推送至目标用户终端设备上进行展示。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述仿真方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述仿真方法的步骤。
CN202111335291.6A 2021-11-11 2021-11-11 一种基于树结构划分的精细神经元高效仿真方法和装置 Pending CN114186674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111335291.6A CN114186674A (zh) 2021-11-11 2021-11-11 一种基于树结构划分的精细神经元高效仿真方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111335291.6A CN114186674A (zh) 2021-11-11 2021-11-11 一种基于树结构划分的精细神经元高效仿真方法和装置

Publications (1)

Publication Number Publication Date
CN114186674A true CN114186674A (zh) 2022-03-15

Family

ID=80601547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111335291.6A Pending CN114186674A (zh) 2021-11-11 2021-11-11 一种基于树结构划分的精细神经元高效仿真方法和装置

Country Status (1)

Country Link
CN (1) CN114186674A (zh)

Similar Documents

Publication Publication Date Title
Harding et al. Meta-parametric design
Vidal Applied simulated annealing
Porta et al. High performance genetic algorithm for land use planning
CN111708641B (zh) 一种内存管理方法、装置、设备及计算机可读存储介质
CN111860828B (zh) 一种神经网络的训练方法、存储介质和设备
CN112149808B (zh) 拓展单机图神经网络训练至分布式训练方法、系统及介质
CN112100450A (zh) 一种图计算数据分割方法、终端设备及存储介质
CN105843666A (zh) 云计算中基于多目标优化的虚拟机放置方法
Borges et al. Care HPS: A high performance simulation tool for parallel and distributed agent-based modeling
CN113469372A (zh) 强化学习训练方法、装置、电子设备以及存储介质
CN116050689B (zh) 一种广域空间铁路线路智能搜索方法、系统、终端及介质
Rinke et al. A scalable algorithm for simulating the structural plasticity of the brain
CN111461284A (zh) 数据离散化方法、装置、设备及介质
CN106407932B (zh) 基于分数阶微积分与广义逆神经网络的手写数字识别方法
CN108711860B (zh) 一种基于并行计算的配电网变电站-线路联合规划方法
CN116611527B (zh) 量子电路处理方法、装置及电子设备
CN108712278A (zh) 一种基于集成学习的网络社区发现方法
CN112766609A (zh) 一种基于云计算的用电量预测方法
CN115001978B (zh) 一种基于强化学习模型的云租户虚拟网络智能映射方法
CN114186674A (zh) 一种基于树结构划分的精细神经元高效仿真方法和装置
CN113315656B (zh) 基于图传播的节点重要性评估方法、系统及可读存储介质
JP2008299641A (ja) 連立一次方程式の並列求解方法およびノード順序付け方法
US11973662B1 (en) Intelligent mapping method for cloud tenant virtual network based on reinforcement learning model
CN115658975B (zh) 用于实现负载均衡的图数据划分方法
CN114065640B (zh) 联邦树模型的数据处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination