[論文レビュー] Digital Twin Brain: a simulation and assimilation platform for whole human brain

Wenlian Lu, Longbin Zeng+13 more|arXiv (Cornell University)|Aug 2, 2023

Molecular Communication and Nanonetworks被引用数 13

ひとこと要約

DTBはGPUベースのプラットフォームで、sMRI-DTI-PET個別構造を用いて全人間脳スケールのスパイクネットワーク（86Bニューロン、47.8Tシナプス）をシミュレートし、さまざまな発火率でほぼリアルタイムのウォールタイムを達成し、データ同化を可能にしてBOLD信号と揃える。

ABSTRACT

In this work, we present a computing platform named digital twin brain (DTB) that can simulate spiking neuronal networks of the whole human brain scale and more importantly, a personalized biological brain structure. In comparison to most brain simulations with a homogeneous global structure, we highlight that the sparseness, couplingness and heterogeneity in the sMRI, DTI and PET data of the brain has an essential impact on the efficiency of brain simulation, which is proved from the scaling experiments that the DTB of human brain simulation is communication-intensive and memory-access intensive computing systems rather than computation-intensive. We utilize a number of optimization techniques to balance and integrate the computation loads and communication traffics from the heterogeneous biological structure to the general GPU-based HPC and achieve leading simulation performance for the whole human brain-scaled spiking neuronal networks. On the other hand, the biological structure, equipped with a mesoscopic data assimilation, enables the DTB to investigate brain cognitive function by a reverse-engineering method, which is demonstrated by a digital experiment of visual evaluation on the DTB. Furthermore, we believe that the developing DTB will be a promising powerful platform for a large of research orients including brain-inspiredintelligence, rain disease medicine and brain-machine interface.

研究の動機と目的

• 個別化された sMRI-DTI-PET データに基づく全脳スパイキング神経網モデルを実証する。
• HPC/GPUシステム上で脳規模のシミュレーションをボトルネックにするのは計算ではなく、メモリアクセスと通信であることを示す。
• 負荷を均衡させ、GPU間のトラフィックを最小化するためのパーティショニングとデータ構造技術を開発する。
• BOLD信号からパラメータを推定し、認知的なダイナミクスを可能にするメソスコピックなデータ同化フレームワークを提案する。

提案手法

• 脳をボクセルレベルのLIFニューロンと4種類のシナプス（AMPA、NMDA、GABAa、GABAb）を持つ階層的ランダムグラフとしてモデル化する。
• sMRI-DTI-PETデータを用いて、皮質、皮質下、脳幹、および小脳全体にわたる希 sparseで異質な結合を定義する。
• 計算、GPU内およびGPU間通信を扱う3スレッド並列性を持つGPUベースのHPCシミュレーションを実装する。
• GPU容量を尊重しつつ、GPU間トラフィックを最小化するNウェイパーティショニングアルゴリズムを導入する。
• Balloon-Windkesselモデルを介してBOLD信号から超パラメータを推定する階層的メソスコピックデータ同化を開発する。

実験結果

リサーチクエスチョン

• RQ1 GPUベースのHPC上で、脳の希 sparseで不均一な構造を踏まえて全人間脳スケールのスパイクネットワークを効率的にシミュレートできるか。
• RQ2 このように大規模でボクセルベースのネットワークに対して、どのパーティショニングとデータ構造がGPU間通信を最適化するか。
• RQ3 メソスコピックなデータ同化フレームワークは、BOLDデータから生物学的に意味のあるパラメータを推定して認知的ダイナミクスを再現できるか。
• RQ4 個別の解剖学的情報（sMRI-DTI-PET）は、均質なネットワークと比較してシミュレーション性能と機能的推定にどのような影響を与えるか。

主な発見

• プラットフォームは最大で860億ニューロン、47.8兆シナプスをシミュレートします。
• 生物学的時間の1秒に対する解決時間は、発火率約7 Hzで65秒、約15 Hzで78.8秒、約30 Hzで118.8秒。
• シミュレーションは、HPCシステム上での計算量よりもメモリアクセスと通信集約的であり、異質な脳構造である点が特徴。
• 新規のパーティショニングアルゴリズムは、逐次マッピングと比較してGPU間トラフィックのばらつきと混雑を低減する。
• DTB由来と生物学的対応物との間に視覚評価タスクを通じて、HMDAデータ同化経由で0.65を超えるピアソン相関を観測。