CN115392460A - 一种融合脑胶质细胞的脉冲神经网络仿真系统和方法 - Google Patents
一种融合脑胶质细胞的脉冲神经网络仿真系统和方法 Download PDFInfo
- Publication number
- CN115392460A CN115392460A CN202211172872.7A CN202211172872A CN115392460A CN 115392460 A CN115392460 A CN 115392460A CN 202211172872 A CN202211172872 A CN 202211172872A CN 115392460 A CN115392460 A CN 115392460A
- Authority
- CN
- China
- Prior art keywords
- glial
- neural network
- neuron
- data
- connection
- 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
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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种融合脑胶质细胞的脉冲神经网络仿真系统和方法。所述融合脑胶质细胞的脉冲神经网络仿真系统设置有仿真软件框架和神经拟态计算机,通过采用仿真软件框架与神经拟态计算机进行数据交互,以实现融合脑胶质细胞的脉冲神经网络的仿真,能够提高神经拟态计算机的应用范围与智能计算能力,降低类脑神经网络构建的难度与开发成本,进而能够更好的服务于脑科学研究、人工智能、类脑计算等领域。
Description
技术领域
本发明涉及智能计算技术领域,特别是涉及一种融合脑胶质细胞的脉冲神经网络仿真系统和方法。
背景技术
神经拟态计算,又被称为类脑计算和神经形态计算,模拟的是人脑的神经元及突触连接结构和脉冲形式的信号传输方式,通过一种全新的网络模型——脉冲神经网络(SNN--Spiking Neural Networks)将神经元进行重新分布,以期实现类脑的自然智能。神经拟态计算的特点在于存算一体、事件驱动、高度并行等,被称为“下一代人工智能的重要方向”。神经拟态计算机是采用神经拟态计算方式的人工智能计算机,采用全新的计算架构,具备低功耗、高鲁棒性等特点。神经拟态计算已经成为人工智能领域中的热门,其中脑胶质细胞在脑信息整合与处理中发挥的功能与潜力逐渐被人们重视,越来越多的研究表明,脑胶质细胞在脑活动中不只是扮演支撑与保障的角色,它也高度参与到脑信息的整合与处理,是脑智能的关键一环。但目前的神经拟态计算机及其脉冲神经网络开发软件大多只是提供了神经元与突触两种神经网络结构单元,即只能构建与仿真由神经元与突触组成的脉冲神经网络,不能系统且完整的构建与仿真融合胶质细胞的脉冲神经网络(BlendedGlial Cell’s Spiking Neural Networks,BGSNN),这限制神经拟态计算机的应用范围及智能计算能力。
发明内容
本发明的目的是提供一种融合脑胶质细胞的脉冲神经网络仿真系统和方法,能够提高神经拟态计算机的应用范围与智能计算能力,降低类脑神经网络构建的难度与开发成本。
为实现上述目的,本发明提供了如下方案:
一种融合脑胶质细胞的脉冲神经网络仿真系统,包括:仿真软件框架和神经拟态计算机;
所述仿真软件框架与所述神经拟态计算机进行数据交互;所述仿真软件框架用于获取融合脑胶质细胞的脉冲神经网络,并用于基于所述融合脑胶质细胞的脉冲神经网络生成神经网络驱动程序和神经网络驱动配置数据;所述神经拟态计算机用于基于所述神经网络驱动程序和所述神经网络驱动配置数据实现融合脑胶质细胞的脉冲神经网络的仿真。
优选地,所述仿真软件框架包括:神经元动力学组件、脑胶质细胞动力学组件、神经细胞连接矩阵组件、BGSNN组件管理器、驱动程序库组件、神经拟态计算机驱动管理器和自定义模型创建工具;
所述神经元动力学组件、所述脑胶质细胞动力学组件和所述神经细胞连接矩阵组件均与所述BGSNN组件管理器进行数据交互;所述神经拟态计算机驱动管理器分别与所述神经元动力学组件、所述脑胶质细胞动力学组件和所述神经细胞连接矩阵组件连接;所述神经拟态计算机驱动管理器与所述驱动程序库组件进行数据交互;所述驱动程序库组件与所述神经拟态计算机进行数据交互;所述驱动程序库组件与所述自定义模型创建工具连接;
所述神经元动力学组件中植入有神经元脉冲受体动力学、神经元脉冲树突传导动力学、神经元膜电位更新程序和神经元轴丘脉冲发放程序,以用于在时域上对传递来的神经元脉冲信号进行处理与响应;
所述脑胶质细胞动力学组件中植入有神经元离子信息受体动力学、胶质间隙信息受体动力学、神经元离子传导动力学、胶质间隙传导动力学、脑胶质细胞膜电位更新程序、脑胶质细胞胶质突起信息发放程序、脑胶质细胞胶质间隙信息发放程序和脑胶质细胞胶质离子信息发放程序,以用于在时域上对传导来的神经元离子信息和胶质间隙信息进行处理与响应;
所述神经细胞连接矩阵组件用于构建脉冲神经网络中神经细胞种群之间的连接;
所述BGSNN组件管理器用于获取和解析融合脑胶质细胞的脉冲神经网络实例,并用于在所述神经元动力学组件、所述脑胶质细胞动力学组件和所述神经细胞连接矩阵组件中选择对应的实现模块,以生成与所述融合脑胶质细胞的脉冲神经网络实例所对应的网络配置参数和网络初始状态参数;
所述驱动程序库组件用于仿真融合脑胶质细胞的脉冲神经网络实例的节点,用于创建融合脑胶质细胞的脉冲神经网络实例的连接矩阵数据,用于实现与所述神经拟态计算机间数据通信;
所述自定义模型创建工具用于提供一种创建自定义的网络节点模型标准化方法;
所述神经拟态计算机驱动管理器用于根据融合脑胶质细胞的脉冲神经网络实例和神经拟态计算机型号,从所述驱动程序库组件中调用正确的硬件驱动程序和选取下载正确的神经网络驱动程序到神经拟态计算机,并驱动神经拟态计算机完成对融合脑胶质细胞的脉冲神经网络实例的仿真。
优选地,所述驱动程序库组件包括:网络节点驱动程序库组件、网络连接驱动程序库组件和硬件驱动程序库组件;
所述网络节点驱动程序库组件与所述自定义模型创建工具连接;
所述网络节点驱动程序库组件包含在神经拟态计算机上运行的神经元模型驱动程序和脑胶质细胞模型驱动程序;所述网络节点驱动程序库组件用于在神经拟态计算机上仿真用户输入的融合脑胶质细胞的脉冲神经网络实例的节点;
所述网络连接驱动程序库组件包含在神经拟态计算机上运行的静态连接创建和动态连接创建程序;所述网络连接驱动程序库组件用于在神经拟态计算机上创建用户输入的融合脑胶质细胞的脉冲神经网络实例中的连接矩阵数据;
所述硬件驱动程序库组件包括IO接口和硬件驱动程序;所述IO接口与神经拟态计算机进行数据通信;所述硬件驱动程序用于实施网络配置参数及应用程序的下载以及运行过程数据和记录数据的上传。
优选地,脉冲神经网络中神经细胞种群之间的连接包括突触连接、神经元离子连接、胶质间隙连接、胶质突起连接和胶质离子连接。
优选地,所述创建自定义的网络节点模型标准化方法为基于生产商提供的神经网络节点驱动程序编辑器,基于开源的PyNN接口提供标准化的编辑模板,将神经网络节点分为四个部分,分别为:受体动力学、传导动力学、膜电位动力学和信息发放。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的融合脑胶质细胞的脉冲神经网络仿真系统,设置有仿真软件框架和神经拟态计算机,通过采用仿真软件框架与神经拟态计算机进行数据交互,以实现融合脑胶质细胞的脉冲神经网络的仿真,能够提高神经拟态计算机的应用范围与智能计算能力,降低类脑神经网络构建的难度与开发成本,进而能够更好的服务于脑科学研究、人工智能、类脑计算等领域。
本发明还提供了一种融合脑胶质细胞的脉冲神经网络仿真方法,应用于上述提供的融合脑胶质细胞的脉冲神经网络仿真系统中;所述融合脑胶质细胞的脉冲神经网络仿真方法包括:
获取融合脑胶质细胞的脉冲神经网络实例;
确定所述融合脑胶质细胞的脉冲神经网络实例中是否存在神经元网络节点,得到第一确定结果;
当所述第一确定结果为所述融合脑胶质细胞的脉冲神经网络实例中存在神经元网络节点时,生成神经元模型数据后,确定所述融合脑胶质细胞的脉冲神经网络实例中是否存在脑胶质网络节点,得到第二确定结果;所述神经元模型数据包括:脉冲受体动力学数据、树突传导动力学数据、神经元膜电位动力学数据和神经元轴丘脉冲发放数据;
当所述第一确定结果为所述融合脑胶质细胞的脉冲神经网络实例中不存在神经元网络节点时,直接确定所述融合脑胶质细胞的脉冲神经网络实例中是否存在脑胶质网络节点,得到第二确定结果;
当所述第二确定结果为所述融合脑胶质细胞的脉冲神经网络实例中存在脑胶质网络节点时,生成脑胶质细胞模型数据后,确定所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间是否存在连接,得到第三确定结果;所述脑胶质细胞模型数据包括:神经元离子信息受体动力学数据、胶质间隙信息受体动力学数据、脑胶质细胞膜电位动力学数据、脑胶质细胞胶质突起信息发放数据、脑胶质细胞胶质间隙信息发放数据和脑胶质细胞胶质离子信息发放数据;
当所述第二确定结果为所述融合脑胶质细胞的脉冲神经网络实例中不存在脑胶质网络节点时,直接确定所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间是否存在连接,得到第三确定结果;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在连接时,生成网络连接应用数据后,调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真;所述网络连接应用数据包括:胶质间隙连接数据、神经元离子连接数据、突触连接数据、胶质突起连接数据和胶质离子连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间不存在连接时,直接调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真。
优选地,生成神经元模型数据的过程包括:
读取神经元脉冲受体动力学用户配置参数,调用与所述神经元脉冲受体动力学用户配置参数对应的神经元脉冲动力学参数生成方法生成脉冲受体动力学数据;
读取神经元脉冲树突传导动力学用户配置参数,调用与所述神经元脉冲树突传导动力学用户配置参数对应的神经元脉冲树突传导动力学参数生成方法生成树突传导动力学数据;
读取神经元膜电位动力学用户配置参数,调用与所述神经元膜电位动力学用户配置参数对应的神经元膜电位动力学参数生成方法生成神经元膜电位动力学数据;
读取神经元轴丘脉冲发放用户配置参数,调用与所述神经元轴丘脉冲发放用户配置参数对应的神经元轴丘脉冲发放参数生成方法生成神经元轴丘脉冲发放数据。
优选地,生成脑胶质细胞模型数据的过程包括:
读取神经元离子信息受体动力学用户配置参数,调用与所述神经元离子信息受体动力学用户配置参数对应的神经元离子信息受体动力学参数生成方法生成神经元离子信息受体动力学数据;读取胶质间隙信息受体动力学用户配置参数,调用与所述胶质间隙信息受体动力学用户配置参数对应的胶质间隙信息受体动力学参数生成方法生成胶质间隙信息受体动力学数据;读取脑胶质细胞膜电位动力学用户配置参数,调用与所述脑胶质细胞膜电位用户配置参数对应的脑胶质细胞膜电位动力学参数生成方法生成脑胶质细胞膜电位动力学数据;读取脑胶质细胞胶质突起信息发放用户配置参数,调用与所述脑胶质细胞胶质突起信息发放用户配置参数对应的脑胶质细胞胶质突起信息发放参数生成方法生成脑胶质细胞胶质突起信息发放数据;读取脑胶质细胞胶质间隙信息发放用户配置参数,调用与所述脑胶质细胞胶质间隙信息发放用户配置参数对应的脑胶质细胞胶质间隙信息发放参数生成方法生成脑胶质细胞胶质间隙信息发放数据;读取脑胶质细胞胶质离子信息发放用户配置参数,调用与所述脑胶质细胞胶质离子信息发放用户配置参数对应的脑胶质细胞胶质离子信息发放参数生成方法生成脑胶质细胞胶质离子信息发放数据。
优选地,生成网络连接应用数据的过程包括:
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为突触网络连接时,读取突触连接用户配置参数,并调用与所述突触连接用户配置参数对应的突触连接参数生成方法生成突触连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为神经元离子连接时,读取神经元离子连接用户配置参数,并调用与所述神经元离子连接用户配置参数对应的神经元离子连接参数生成方法生成神经元离子连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质间隙连接时,读取胶质间隙连接用户配置参数,并调用与所述胶质间隙连接用户配置参数对应的胶质间隙连接参数生成方法生成胶质间隙连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质突起连接时,读取胶质突起连接用户配置参数,并调用与所述胶质突起连接用户配置参数对应的胶质突起连接参数生成方法生成胶质突起连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质离子连接时,读取胶质离子连接用户配置参数,并调用与所述胶质离子连接用户配置参数对应的胶质离子连接参数生成方法生成胶质离子连接数据。
优选地,调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真过程包括:
基于所述神经元模型数据、所述脑胶质细胞模型数据或所述网络连接应用数据对应复制网络节点驱动程序库组件中的神经元模型驱动程序、网络节点驱动程序库组件中的脑胶质细胞模型驱动程序或网络连接驱动程序库组件中的静态连接创建和动态连接创建程序后,调用硬件驱动程序库组件中的IO接口与神经拟态计算机完成数据交互,以完成融合脑胶质细胞的脉冲神经网络实例的仿真。
因本发明提供的融合脑胶质细胞的脉冲神经网络仿真方法实现的技术效果与上述提供的融合脑胶质细胞的脉冲神经网络仿真系统实现的技术效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的融合脑胶质细胞的脉冲神经网络仿真系统的结构框图;
图2为本发明提供的融合脑胶质细胞的脉冲神经网络仿真方法的实施架构图;
图3为本发明实施例提供的自定义创建多输入多输出的网络节点模型驱动流程图;
图4为本发明实施例提供的网络节点应用数据组成示意图;
图5为本发明实施例提供的网络连接数据组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种融合脑胶质细胞的脉冲神经网络仿真系统和方法,能够提高神经拟态计算机的应用范围与智能计算能力,降低类脑神经网络构建的难度与开发成本。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种融合脑胶质细胞的脉冲神经网络仿真系统,包括:仿真软件框架和神经拟态计算机。
仿真软件框架与神经拟态计算机进行数据交互。仿真软件框架用于获取融合脑胶质细胞的脉冲神经网络,并用于基于融合脑胶质细胞的脉冲神经网络生成神经网络驱动程序和神经网络驱动配置数据。神经拟态计算机用于基于神经网络驱动程序和神经网络驱动配置数据实现融合脑胶质细胞的脉冲神经网络的仿真。
其中,如图1所示,本发明提供的仿真软件框架包括:神经元动力学组件、脑胶质细胞动力学组件、神经细胞连接矩阵组件、BGSNN组件管理器、驱动程序库组件、神经拟态计算机驱动管理器和自定义模型创建工具。其中,BGSNN为融合脑胶质细胞的脉冲神经网络的简称。
神经元动力学组件、脑胶质细胞动力学组件和神经细胞连接矩阵组件均与BGSNN组件管理器进行数据交互。神经拟态计算机驱动管理器分别与神经元动力学组件、脑胶质细胞动力学组件和神经细胞连接矩阵组件连接。神经拟态计算机驱动管理器与驱动程序库组件进行数据交互。驱动程序库组件与神经拟态计算机进行数据交互。驱动程序库组件与自定义模型创建工具连接。
神经元动力学组件中植入有神经元脉冲受体动力学、神经元脉冲树突传导动力学、神经元膜电位更新程序和神经元轴丘脉冲发放程序,以用于在时域上对传递来的神经元脉冲信号进行处理与响应。
脑胶质细胞动力学组件中植入有神经元离子信息受体动力学、胶质间隙信息受体动力学、神经元离子传导动力学、胶质间隙传导动力学、脑胶质细胞膜电位更新程序、脑胶质细胞胶质突起信息发放程序、脑胶质细胞胶质间隙信息发放程序和脑胶质细胞胶质离子信息发放程序,以用于在时域上对传导来的神经元离子信息和胶质间隙信息进行处理与响应。
神经细胞连接矩阵组件用于构建脉冲神经网络中神经细胞种群之间的连接。其中,脉冲神经网络中神经细胞种群之间的连接包括突触连接、神经元离子连接、胶质间隙连接、胶质突起连接和胶质离子连接。
BGSNN组件管理器用于获取和解析融合脑胶质细胞的脉冲神经网络实例,并用于在神经元动力学组件、脑胶质细胞动力学组件和神经细胞连接矩阵组件中选择对应的实现模块,以生成与融合脑胶质细胞的脉冲神经网络实例所对应的网络配置参数和网络初始状态参数。
驱动程序库组件用于仿真融合脑胶质细胞的脉冲神经网络实例的节点,用于创建融合脑胶质细胞的脉冲神经网络实例的连接矩阵数据,用于实现与神经拟态计算机间数据通信。
其中,驱动程序库组件包括:网络节点驱动程序库组件、网络连接驱动程序库组件和硬件驱动程序库组件。网络节点驱动程序库组件与自定义模型创建工具连接。网络节点驱动程序库组件包含在神经拟态计算机上运行的神经元模型驱动程序和脑胶质细胞模型驱动程序。网络节点驱动程序库组件用于在神经拟态计算机上仿真用户输入的融合脑胶质细胞的脉冲神经网络实例的节点。网络连接驱动程序库组件包含在神经拟态计算机上运行的静态连接创建和动态(可塑)连接创建程序。网络连接驱动程序库组件用于在神经拟态计算机上创建用户输入的融合脑胶质细胞的脉冲神经网络实例中的连接矩阵数据。硬件驱动程序库组件包括IO接口和硬件驱动程序。IO接口与神经拟态计算机进行数据通信,包括网络配置参数及应用程序的下载,运行过程数据和记录数据的上传等。硬件驱动程序用于实施网络配置参数及应用程序的下载以及运行过程数据和记录数据的上传,并将神经拟态计算机接入系统。
自定义模型创建工具用于提供一种创建自定义的网络节点模型标准化方法。创建自定义的网络节点模型标准化方法具体的是基于生产商提供的神经网络节点驱动程序编辑器,基于开源的PyNN接口(一款神经网络模拟器通用接口)提供标准化的编辑模板,将神经网络节点即神经细胞分为四个主要部分,分别为:受体动力学、传导动力学、膜电位动力学、信息发放,这样可以简化用户创建神经网络节点驱动程序的难度,允许用户进行二次开发,有便于用户根据实际需求对网络节点模型进行更改、更新,以快速便捷地搭建BGSNN实例。其中,自定义创建多输入多输出的网络节点模型驱动程序的过程如图3所示,因其不作为本发明的保护重点,在此不再进行赘述。
神经拟态计算机驱动管理器用于根据融合脑胶质细胞的脉冲神经网络实例和神经拟态计算机型号,从驱动程序库组件中调用正确的硬件驱动程序和选取下载正确的神经网络驱动程序到神经拟态计算机,并驱动神经拟态计算机完成对融合脑胶质细胞的脉冲神经网络实例的仿真。例如,根据用户输入的BGSNN实例和神经拟态计算机型号,从驱动库中调用正确的硬件驱动程序和选取与下载正确的神经网络驱动(包括但不限于网络节点驱动程序、网络连接驱动程序)到神经拟态计算机,并由神经拟态计算机完成BGSNN的仿真过程。特别地,神经网络驱动程序不同于硬件驱动,是神经拟态计算机模拟神经网络所需的驱动程序,一般由神经拟态计算机生产商提供,或根据生产商提供的神经网络驱动程序创建工具手动创建,主要分为网络节点驱动程序和网络连接驱动程序,网络节点驱动使得神经拟态计算机可以仿真神经细胞的动力学过程,网络连接驱动程序使得神经拟态计算机可以仿真神经网络连接的动力学过程。
本发明还提供了一种融合脑胶质细胞的脉冲神经网络仿真方法,应用于上述提供的融合脑胶质细胞的脉冲神经网络仿真系统中。如图2所示,融合脑胶质细胞的脉冲神经网络仿真方法包括:
获取融合脑胶质细胞的脉冲神经网络实例。
确定融合脑胶质细胞的脉冲神经网络实例中是否存在神经元网络节点,得到第一确定结果。
当第一确定结果为融合脑胶质细胞的脉冲神经网络实例中存在神经元网络节点时,生成神经元模型数据后,确定融合脑胶质细胞的脉冲神经网络实例中是否存在脑胶质网络节点,得到第二确定结果。神经元模型数据包括:脉冲受体动力学数据、树突传导动力学数据、神经元膜电位动力学数据和神经元轴丘脉冲发放数据。
当第一确定结果为融合脑胶质细胞的脉冲神经网络实例中不存在神经元网络节点时,直接确定融合脑胶质细胞的脉冲神经网络实例中是否存在脑胶质网络节点,得到第二确定结果。
当第二确定结果为融合脑胶质细胞的脉冲神经网络实例中存在脑胶质网络节点时,生成脑胶质细胞模型数据后,确定融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间是否存在连接,得到第三确定结果。脑胶质细胞模型数据包括:神经元离子信息受体动力学数据、胶质间隙信息受体动力学数据、脑胶质细胞膜电位动力学数据、脑胶质细胞胶质突起信息发放数据、脑胶质细胞胶质间隙信息发放数据和脑胶质细胞胶质离子信息发放数据。其中,如图4所示,将神经元模型数据和脑胶质细胞模型数据作为网络节点应用数据。
当第二确定结果为融合脑胶质细胞的脉冲神经网络实例中不存在脑胶质网络节点时,直接确定融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间是否存在连接,得到第三确定结果。
当第三确定结果为融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在连接时,生成网络连接应用数据后,调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真。如图5所示,网络连接应用数据包括:胶质间隙连接数据、神经元离子连接数据、突触连接数据、胶质突起连接数据和胶质离子连接数据。
当第三确定结果为融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间不存在连接时,直接调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真。
优选地,如图2所示,生成神经元模型数据的过程包括:
读取神经元脉冲受体动力学用户配置参数,调用与神经元脉冲受体动力学用户配置参数对应的神经元脉冲动力学参数生成方法生成脉冲受体动力学数据。
读取神经元脉冲树突传导动力学用户配置参数,调用与神经元脉冲树突传导动力学用户配置参数对应的神经元脉冲树突传导动力学参数生成方法生成树突传导动力学数据。
读取神经元膜电位动力学用户配置参数,调用与神经元膜电位动力学用户配置参数对应的神经元膜电位动力学参数生成方法生成神经元膜电位动力学数据。
读取神经元轴丘脉冲发放用户配置参数,调用与神经元轴丘脉冲发放用户配置参数对应的神经元轴丘脉冲发放参数生成方法生成神经元轴丘脉冲发放数据。
其中,如图2所示,生成脑胶质细胞模型数据的过程包括:
读取神经元离子信息受体动力学用户配置参数,调用与神经元离子信息受体动力学用户配置参数对应的神经元离子信息受体动力学参数生成方法生成神经元离子信息受体动力学数据。读取胶质间隙信息受体动力学用户配置参数,调用与胶质间隙信息受体动力学用户配置参数对应的胶质间隙信息受体动力学参数生成方法生成胶质间隙信息受体动力学数据。读取脑胶质细胞膜电位动力学用户配置参数,调用与脑胶质细胞膜电位用户配置参数对应的脑胶质细胞膜电位动力学参数生成方法生成脑胶质细胞膜电位动力学数据。读取脑胶质细胞胶质突起信息发放用户配置参数,调用与脑胶质细胞胶质突起信息发放用户配置参数对应的脑胶质细胞胶质突起信息发放参数生成方法生成脑胶质细胞胶质突起信息发放数据。读取脑胶质细胞胶质间隙信息发放用户配置参数,调用与脑胶质细胞胶质间隙信息发放用户配置参数对应的脑胶质细胞胶质间隙信息发放参数生成方法生成脑胶质细胞胶质间隙信息发放数据。读取脑胶质细胞胶质离子信息发放用户配置参数,调用与脑胶质细胞胶质离子信息发放用户配置参数对应的脑胶质细胞胶质离子信息发放参数生成方法生成脑胶质细胞胶质离子信息发放数据。
生成网络连接应用数据的过程包括:
当第三确定结果为融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为突触网络连接时,读取突触连接用户配置参数,并调用与突触连接用户配置参数对应的突触连接参数生成方法生成突触连接数据。
当第三确定结果为融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为神经元离子连接时,读取神经元离子连接用户配置参数,并调用与神经元离子连接用户配置参数对应的神经元离子连接参数生成方法生成神经元离子连接数据。
当第三确定结果为融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质间隙连接时,读取胶质间隙连接用户配置参数,并调用与胶质间隙连接用户配置参数对应的胶质间隙连接参数生成方法生成胶质间隙连接数据。
当第三确定结果为融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质突起连接时,读取胶质突起连接用户配置参数,并调用与胶质突起连接用户配置参数对应的胶质突起连接参数生成方法生成胶质突起连接数据。
当第三确定结果为融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质离子连接时,读取胶质离子连接用户配置参数,并调用与胶质离子连接用户配置参数对应的胶质离子连接参数生成方法生成胶质离子连接数据。
如图2所示,调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真过程包括:
基于神经元模型数据、脑胶质细胞模型数据或网络连接应用数据对应复制网络节点驱动程序库组件中的神经元模型驱动程序、网络节点驱动程序库组件中的脑胶质细胞模型驱动程序或网络连接驱动程序库组件中的静态连接创建和动态连接创建程序后,调用硬件驱动程序库组件中的IO接口与神经拟态计算机完成数据交互,以完成融合脑胶质细胞的脉冲神经网络实例的仿真。
下面提供一个实施例,对本发明上述提供的融合脑胶质细胞的脉冲神经网络仿真系统和方法的具体实施过程进行说明。
如图2所示,该实施过程具体如下:
(1)神经拟态计算机硬件识别与驱动加载。具体的实现方法是在内核中添加不同型号的神经拟态计算机的驱动程序,加载驱动程序时,逐个将驱动程序与设备信息进行比较,确定两者是否匹配,如果驱动程序与某个设备匹配,就可以通过该驱动程序操作这个设备了。
(2)读取用户输入的应用,即用户输入的BGSNN模型,并提取用户配置参数,比如网络节点数目、网络节点类型及参数、网络连接数目、网络连接类型及参数等。现有的脉冲神经网络开发软件如Brain2、SpikingJelly等均不支持脑胶质细胞的仿真,而脑胶质细胞在脑高级智能功能中发挥了重要的角色,无论在脑科学领域还是神经计算领域,脑胶质细胞的高级功能已成为研究的热门,本实施例的神经细胞组件包含脑胶质细胞,可以支持用户创建脑胶质细胞节点,此外,本实施例还提供脑胶质细胞与神经元之间的网络连接,比如神经元到脑胶质细胞的神经元离子连接、脑胶质细胞到脑胶质细胞的胶质间隙连接、脑胶质细胞到突触的胶质突起连接、脑胶质细胞到神经元的胶质离子连接,这些连接可以构建BGSNN,以促进对胶质细胞与神经元的协同作用的研究模拟,以及提升脉冲神经网络的智能计算潜力。
(3)生成神经网络驱动程序所需的数据即神经网络驱动配置数据。BGSNN管理器根据步骤(2)得到的用户配置参数及步骤(1)识别出的硬件类型,通过调用与硬件匹配及满足用户配置的神经元动力学组件、脑胶质细胞动力学组件、神经细胞连接矩阵组件生成相应的网络节点驱动数据和网络连接驱动数据,如图4和图5所示。具体的过程如下:
(31)根据步骤(2)中得到的网络节点类型,判断用户输入的BGSNN模型中是否存在神经元网络节点类型,如果不存在则执行步骤(35),否则根据步骤(2)中得到的网络节点参数中的受体动力学用户配置参数,调用对应的神经元脉冲受体动力学参数生成方法生成脉冲受体动力学数据。
(32)根据步骤(2)中得到的网络节点参数中的神经元脉冲树突传导动力学用户配置参数,调用对应的神经元树突传导动力学参数生成方法生成树突传导动力学数据。
(33)根据步骤(2)中得到的神经元膜电位动力学用户配置参数,调用对应的神经元膜电位动力学参数生成方法生成神经元膜电位动力学数据。
(34)根据步骤(2)中得到的神经元轴丘脉冲发放用户配置参数,调用对应的神经元轴丘脉冲发放参数生成方法生成神经元轴丘脉冲发放数据。
(35)根据步骤(2)中得到的网络节点类型,判断用户输入的BGSNN模型中是否存在脑胶质细胞网络节点类型,如果不存在则执行步骤(311),否则根据步骤(2)中得到的网络节点参数中的神经元离子信息受体动力学用户配置参数,调用对应的神经元离子信息受体动力学参数生成方法生成神经元离子信息受体动力学数据。
(36)根据步骤(2)中得到的胶质间隙信息受体动力学用户配置参数,调用对应的胶质间隙信息受体动力学参数生成方法生成胶质间隙信息受体动力学数据。
(37)根据步骤(2)中得到的脑胶质细胞膜电位动力学用户配置参数,调用对应的脑胶质细胞膜电位动力学参数生成方法生成脑胶质细胞膜电位动力学数据。
(38)根据步骤(2)中得到的脑胶质细胞胶质突起信息发放用户配置参数,调用对应的脑胶质细胞膜电位动力学参数生成方法生成脑胶质细胞膜电位动力学数据调用对应的脑胶质细胞胶质突起信息发放参数生成方法生成脑胶质细胞胶质突起信息发放数据。
(39)根据步骤(2)中得到的脑胶质细胞胶质间隙信息发放用户配置参数,调用对应的脑胶质细胞胶质间隙信息发放参数生成方法生成脑胶质细胞胶质间隙信息发放数据。
(310)根据步骤(2)中得到的脑胶质细胞胶质离子信息发放用户配置参数,调用对应的脑胶质细胞胶质离子信息发放参数生成方法生成脑胶质细胞胶质离子信息发放数据。
(311)根据步骤(2)中得到的网络连接类型,判断用户输入的BGSNN模型中是否存在突触网络连接类型,如果不存在则执行步骤(312),否则根据步骤(2)中得到的网络连接参数中的突触连接用户配置参数(包括但不限于连接权重、传输延时、兴奋性或抑制性、可塑性类型),调用对应的突触连接参数生成方法生成突触连接数据。
(312)根据步骤(2)中得到的网络连接类型,判断用户输入的BGSNN模型中是否存在神经元离子网络连接类型,如果不存在则跳执行步骤(313),否则根据步骤(2)中得到的网络连接参数中的神经元离子连接用户配置参数(包括但不限于连接权重、传输延时、兴奋性或抑制性、可塑性类型),调用对应的神经元离子连接参数生成方法生成神经元离子连接数据。
(313)根据步骤(2)中得到的网络连接类型,判断用户输入的BGSNN模型中是否存在胶质间隙网络连接类型,如果不存在则跳执行步骤(314),否则根据步骤(2)中得到的网络连接参数中的胶质间隙连接用户配置参数(包括但不限于连接权重、传输延时、兴奋性或抑制性、可塑性类型),调用对应的胶质间隙连接参数生成方法生成胶质间隙连接数据。
(314)根据步骤(2)中得到的网络连接类型,判断用户输入的BGSNN模型中是否存在胶质突起网络连接类型,如果不存在则跳执行步骤(315),否则根据步骤(2)中得到的网络连接参数中的胶质突起连接用户配置参数(包括但不限于连接权重、传输延时、兴奋性或抑制性、可塑性类型),调用对应的胶质突起连接参数生成方法生成胶质突起连接数据。
(315)根据步骤(2)中得到的网络连接类型,判断用户输入的BGSNN模型中是否存在胶质离子网络连接类型,如果不存在则跳执行步骤(316),否则根据步骤(2)中得到的网络连接参数中的胶质离子连接用户配置参数(包括但不限于连接权重、传输延时、兴奋性或抑制性、可塑性类型),调用对应的胶质离子连接参数生成方法生成胶质离子连接数据。
(316)根据步骤(2)中得到的网络连接类型和网络节点类型,复制网络节点驱动程序库中匹配的神经元模型驱动,以及复制网络连接驱动程序库中匹配的静态连接创建驱动或动态(可塑)连接创建驱动。
(4)下载神经网络驱动程序和神经网络驱动配置数据到神经拟态计算机。神经拟态计算机驱动管理器根据步骤(2)得到的用户配置参数及步骤(1)识别出的硬件类型,根据步骤(2)中得到的网络连接类型和网络节点类型,复制网络节点驱动程序库中匹配的神经元模型驱动,以及复制网络连接驱动程序库中匹配的静态连接创建驱动或动态(可塑)连接创建驱动,再调用IO接口,下载上述程序与数据到神经拟态计算机中。
(5)启动BGSNN仿真。具体的是调用IO接口,发送“start”信号(启动仿真),神经拟态计算机收到启动仿真信号后,运行神经网络驱动程序。
基于上述藐视,本发明相对于现有技术还具有以下有益效果:
1、本发明提供的适用于神经拟态计算机的BGSNN实现软件框架,使得神经拟态计算机具备脑胶质细胞与神经元共存神经网络构建与仿真能力,以促进神经拟态计算机的应用发展,提升神经拟态计算机的智能计算能力。
2、本发明提供了标准化的统一硬件接口,以便兼容多种类型的神经拟态计算机。
3、本发明提供了标准化的自定义网络节点动力学模型即神经网络节点驱动程序创建功能,基于生产商提供的神经网络节点驱动程序编辑器,以及开源的PyNN接口(一款神经网络模拟器通用接口)提供标准化的编辑模板,简化用户创建神经网络节点驱动程序的难度,以便用户根据自身需求快速修改、更新网络节点动力学模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种融合脑胶质细胞的脉冲神经网络仿真系统,其特征在于,包括:仿真软件框架和神经拟态计算机;
所述仿真软件框架与所述神经拟态计算机进行数据交互;所述仿真软件框架用于获取融合脑胶质细胞的脉冲神经网络,并用于基于所述融合脑胶质细胞的脉冲神经网络生成神经网络驱动程序和神经网络驱动配置数据;所述神经拟态计算机用于基于所述神经网络驱动程序和所述神经网络驱动配置数据实现融合脑胶质细胞的脉冲神经网络的仿真。
2.根据权利要求1所述的融合脑胶质细胞的脉冲神经网络仿真系统,其特征在于,所述仿真软件框架包括:神经元动力学组件、脑胶质细胞动力学组件、神经细胞连接矩阵组件、BGSNN组件管理器、驱动程序库组件、神经拟态计算机驱动管理器和自定义模型创建工具;
所述神经元动力学组件、所述脑胶质细胞动力学组件和所述神经细胞连接矩阵组件均与所述BGSNN组件管理器进行数据交互;所述神经拟态计算机驱动管理器分别与所述神经元动力学组件、所述脑胶质细胞动力学组件和所述神经细胞连接矩阵组件连接;所述神经拟态计算机驱动管理器与所述驱动程序库组件进行数据交互;所述驱动程序库组件与所述神经拟态计算机进行数据交互;所述驱动程序库组件与所述自定义模型创建工具连接;
所述神经元动力学组件中植入有神经元脉冲受体动力学、神经元脉冲树突传导动力学、神经元膜电位更新程序和神经元轴丘脉冲发放程序,以用于在时域上对传递来的神经元脉冲信号进行处理与响应;
所述脑胶质细胞动力学组件中植入有神经元离子信息受体动力学、胶质间隙信息受体动力学、神经元离子传导动力学、胶质间隙传导动力学、脑胶质细胞膜电位更新程序、脑胶质细胞胶质突起信息发放程序、脑胶质细胞胶质间隙信息发放程序和脑胶质细胞胶质离子信息发放程序,以用于在时域上对传导来的神经元离子信息和胶质间隙信息进行处理与响应;
所述神经细胞连接矩阵组件用于构建脉冲神经网络中神经细胞种群之间的连接;
所述BGSNN组件管理器用于获取和解析融合脑胶质细胞的脉冲神经网络实例,并用于在所述神经元动力学组件、所述脑胶质细胞动力学组件和所述神经细胞连接矩阵组件中选择对应的实现模块,以生成与所述融合脑胶质细胞的脉冲神经网络实例所对应的网络配置参数和网络初始状态参数;
所述驱动程序库组件用于仿真融合脑胶质细胞的脉冲神经网络实例的节点,用于创建融合脑胶质细胞的脉冲神经网络实例的连接矩阵数据,用于实现与所述神经拟态计算机间数据通信;
所述自定义模型创建工具用于提供一种创建自定义的网络节点模型标准化方法;
所述神经拟态计算机驱动管理器用于根据融合脑胶质细胞的脉冲神经网络实例和神经拟态计算机型号,从所述驱动程序库组件中调用正确的硬件驱动程序和选取下载正确的神经网络驱动程序到神经拟态计算机,并驱动神经拟态计算机完成对融合脑胶质细胞的脉冲神经网络实例的仿真。
3.根据权利要求2所述的融合脑胶质细胞的脉冲神经网络仿真系统,其特征在于,所述驱动程序库组件包括:网络节点驱动程序库组件、网络连接驱动程序库组件和硬件驱动程序库组件;
所述网络节点驱动程序库组件与所述自定义模型创建工具连接;
所述网络节点驱动程序库组件包含在神经拟态计算机上运行的神经元模型驱动程序和脑胶质细胞模型驱动程序;所述网络节点驱动程序库组件用于在神经拟态计算机上仿真用户输入的融合脑胶质细胞的脉冲神经网络实例的节点;
所述网络连接驱动程序库组件包含在神经拟态计算机上运行的静态连接创建和动态连接创建程序;所述网络连接驱动程序库组件用于在神经拟态计算机上创建用户输入的融合脑胶质细胞的脉冲神经网络实例中的连接矩阵数据;
所述硬件驱动程序库组件包括IO接口和硬件驱动程序;所述IO接口与神经拟态计算机进行数据通信;所述硬件驱动程序用于实施网络配置参数及应用程序的下载以及运行过程数据和记录数据的上传。
4.根据权利要求2所述的融合脑胶质细胞的脉冲神经网络仿真系统,其特征在于,脉冲神经网络中神经细胞种群之间的连接包括突触连接、神经元离子连接、胶质间隙连接、胶质突起连接和胶质离子连接。
5.根据权利要求2所述的融合脑胶质细胞的脉冲神经网络仿真系统,其特征在于,所述创建自定义的网络节点模型标准化方法为基于生产商提供的神经网络节点驱动程序编辑器,基于开源的PyNN接口提供标准化的编辑模板,将神经网络节点分为四个部分,分别为:受体动力学、传导动力学、膜电位动力学和信息发放。
6.一种融合脑胶质细胞的脉冲神经网络仿真方法,其特征在于,应用于如权利要求1-5任意一项所述的融合脑胶质细胞的脉冲神经网络仿真系统中;所述融合脑胶质细胞的脉冲神经网络仿真方法包括:
获取融合脑胶质细胞的脉冲神经网络实例;
确定所述融合脑胶质细胞的脉冲神经网络实例中是否存在神经元网络节点,得到第一确定结果;
当所述第一确定结果为所述融合脑胶质细胞的脉冲神经网络实例中存在神经元网络节点时,生成神经元模型数据后,确定所述融合脑胶质细胞的脉冲神经网络实例中是否存在脑胶质网络节点,得到第二确定结果;所述神经元模型数据包括:脉冲受体动力学数据、树突传导动力学数据、神经元膜电位动力学数据和神经元轴丘脉冲发放数据;
当所述第一确定结果为所述融合脑胶质细胞的脉冲神经网络实例中不存在神经元网络节点时,直接确定所述融合脑胶质细胞的脉冲神经网络实例中是否存在脑胶质网络节点,得到第二确定结果;
当所述第二确定结果为所述融合脑胶质细胞的脉冲神经网络实例中存在脑胶质网络节点时,生成脑胶质细胞模型数据后,确定所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间是否存在连接,得到第三确定结果;所述脑胶质细胞模型数据包括:神经元离子信息受体动力学数据、胶质间隙信息受体动力学数据、脑胶质细胞膜电位动力学数据、脑胶质细胞胶质突起信息发放数据、脑胶质细胞胶质间隙信息发放数据和脑胶质细胞胶质离子信息发放数据;
当所述第二确定结果为所述融合脑胶质细胞的脉冲神经网络实例中不存在脑胶质网络节点时,直接确定所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间是否存在连接,得到第三确定结果;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在连接时,生成网络连接应用数据后,调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真;所述网络连接应用数据包括:胶质间隙连接数据、神经元离子连接数据、突触连接数据、胶质突起连接数据和胶质离子连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间不存在连接时,直接调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真。
7.根据权利要求6所述的融合脑胶质细胞的脉冲神经网络仿真方法,其特征在于,生成神经元模型数据的过程包括:
读取神经元脉冲受体动力学用户配置参数,调用与所述神经元脉冲受体动力学用户配置参数对应的神经元脉冲动力学参数生成方法生成脉冲受体动力学数据;
读取神经元脉冲树突传导动力学用户配置参数,调用与所述神经元脉冲树突传导动力学用户配置参数对应的神经元脉冲树突传导动力学参数生成方法生成树突传导动力学数据;
读取神经元膜电位动力学用户配置参数,调用与所述神经元膜电位动力学用户配置参数对应的神经元膜电位动力学参数生成方法生成神经元膜电位动力学数据;
读取神经元轴丘脉冲发放用户配置参数,调用与所述神经元轴丘脉冲发放用户配置参数对应的神经元轴丘脉冲发放参数生成方法生成神经元轴丘脉冲发放数据。
8.根据权利要求6所述的融合脑胶质细胞的脉冲神经网络仿真方法,其特征在于,生成脑胶质细胞模型数据的过程包括:
读取神经元离子信息受体动力学用户配置参数,调用与所述神经元离子信息受体动力学用户配置参数对应的神经元离子信息受体动力学参数生成方法生成神经元离子信息受体动力学数据;读取胶质间隙信息受体动力学用户配置参数,调用与所述胶质间隙信息受体动力学用户配置参数对应的胶质间隙信息受体动力学参数生成方法生成胶质间隙信息受体动力学数据;读取脑胶质细胞膜电位动力学用户配置参数,调用与所述脑胶质细胞膜电位用户配置参数对应的脑胶质细胞膜电位动力学参数生成方法生成脑胶质细胞膜电位动力学数据;读取脑胶质细胞胶质突起信息发放用户配置参数,调用与所述脑胶质细胞胶质突起信息发放用户配置参数对应的脑胶质细胞胶质突起信息发放参数生成方法生成脑胶质细胞胶质突起信息发放数据;读取脑胶质细胞胶质间隙信息发放用户配置参数,调用与所述脑胶质细胞胶质间隙信息发放用户配置参数对应的脑胶质细胞胶质间隙信息发放参数生成方法生成脑胶质细胞胶质间隙信息发放数据;读取脑胶质细胞胶质离子信息发放用户配置参数,调用与所述脑胶质细胞胶质离子信息发放用户配置参数对应的脑胶质细胞胶质离子信息发放参数生成方法生成脑胶质细胞胶质离子信息发放数据。
9.根据权利要求6所述的融合脑胶质细胞的脉冲神经网络仿真方法,其特征在于,生成网络连接应用数据的过程包括:
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为突触网络连接时,读取突触连接用户配置参数,并调用与所述突触连接用户配置参数对应的突触连接参数生成方法生成突触连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为神经元离子连接时,读取神经元离子连接用户配置参数,并调用与所述神经元离子连接用户配置参数对应的神经元离子连接参数生成方法生成神经元离子连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质间隙连接时,读取胶质间隙连接用户配置参数,并调用与所述胶质间隙连接用户配置参数对应的胶质间隙连接参数生成方法生成胶质间隙连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质突起连接时,读取胶质突起连接用户配置参数,并调用与所述胶质突起连接用户配置参数对应的胶质突起连接参数生成方法生成胶质突起连接数据;
当所述第三确定结果为所述融合脑胶质细胞的脉冲神经网络实例中神经细胞种群之间存在的连接为胶质离子连接时,读取胶质离子连接用户配置参数,并调用与所述胶质离子连接用户配置参数对应的胶质离子连接参数生成方法生成胶质离子连接数据。
10.根据权利要求6所述的融合脑胶质细胞的脉冲神经网络仿真方法,其特征在于,调用驱动程序完成融合脑胶质细胞的脉冲神经网络实例的仿真过程包括:
基于所述神经元模型数据、所述脑胶质细胞模型数据或所述网络连接应用数据对应复制网络节点驱动程序库组件中的神经元模型驱动程序、网络节点驱动程序库组件中的脑胶质细胞模型驱动程序或网络连接驱动程序库组件中的静态连接创建和动态连接创建程序后,调用硬件驱动程序库组件中的IO接口与神经拟态计算机完成数据交互,以完成融合脑胶质细胞的脉冲神经网络实例的仿真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211172872.7A CN115392460A (zh) | 2022-09-26 | 2022-09-26 | 一种融合脑胶质细胞的脉冲神经网络仿真系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211172872.7A CN115392460A (zh) | 2022-09-26 | 2022-09-26 | 一种融合脑胶质细胞的脉冲神经网络仿真系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392460A true CN115392460A (zh) | 2022-11-25 |
Family
ID=84127903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211172872.7A Pending CN115392460A (zh) | 2022-09-26 | 2022-09-26 | 一种融合脑胶质细胞的脉冲神经网络仿真系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392460A (zh) |
-
2022
- 2022-09-26 CN CN202211172872.7A patent/CN115392460A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10885424B2 (en) | Structural plasticity in spiking neural networks with symmetric dual of an electronic neuron | |
US20220172053A1 (en) | Methods and systems for implementing dynamic neural networks | |
US10762419B2 (en) | Digitial STDP synapse and LIF neuron-based neuromorphic system | |
Beyeler et al. | CARLsim 3: A user-friendly and highly optimized library for the creation of neurobiologically detailed spiking neural networks | |
EP0793825B1 (en) | Rule-based data processing apparatus for behaviour prediction and corresponding method | |
US11238342B2 (en) | Method and a system for creating dynamic neural function libraries | |
CN104685516A (zh) | 用于在尖峰神经元网络中实现基于事件的更新的装置和方法 | |
US20150100529A1 (en) | Compiling network descriptions to multiple platforms | |
Stewart et al. | Python scripting in the Nengo simulator | |
CN113077052A (zh) | 用于稀疏奖励环境的强化学习方法、装置、设备及介质 | |
KR101825937B1 (ko) | 가소성 시냅스 관리 | |
Khashman | Blood cell identification using emotional neural networks. | |
Aleksin et al. | ARACHNE: a neural-neuroglial network builder with remotely controlled parallel computing | |
CN113869505A (zh) | 一种基于脑胶质细胞的脉冲神经网络优化方法及系统 | |
Jain | Interaction between software engineering and artificial intelligence-a review | |
CN115392460A (zh) | 一种融合脑胶质细胞的脉冲神经网络仿真系统和方法 | |
KR102188044B1 (ko) | 뉴로모픽 아키텍처 기반 지능형 응용 개발을 위한 프레임워크 시스템 | |
Self | Student models and artificial intelligence | |
Fox et al. | Technical integration of hippocampus, basal ganglia and physical models for spatial navigation | |
Bhalla et al. | Genesis: a neuronal simulation system | |
Babichev et al. | Designing Execution Models of Distributed System in Theoretical Courses on Information Technology | |
von der Malsburg | Ordered retinotectal projections and brain organization | |
CN117971375A (zh) | 干涉服务分离的核电厂仿真系统 | |
Mollet et al. | An operational vr platform for building virtual training environments | |
Galiautdinov et al. | Math Model of Neuron and Nervous System Research Based on AI Constructor Creating Virtual Neural Circuits |
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 |