[論文レビュー] FNS: an event-driven spiking neural network framework for efficient simulations of large-scale brain models

Gianluca Susi, Pilar Garcés+5 more|arXiv (Cornell University)|Jan 2, 2018

Advanced Memory and Neural Computing被引用数 3

ひとこと要約

FNS は、スパarsity を活用し、正確なイベント駆動型タイミングを用いる Java で記述された、LIFL を用いたイベント駆動型スパイクニューラルネットワークフレームワークであり、効率的で大規模な全脳シミュレーションを可能にする。標準の PC でも 4 秒間の脳活動を約 20 秒でシミュレートする高速なシミュレーション速度を達成している。また、可塑性および遅延を持つシナプスを備えた異種的・多スケールの結合構造をサポートしており、実際の MEG データと一致するモデル活動によって検証されている。

ABSTRACT

Limitations in processing capabilities and memory of today's computers make spiking neuron-based (human) whole-brain simulations inevitably characterized by a compromise between bio-plausibility and computational cost. It translates into brain models composed of a reduced number of neurons and a simplified neuron's mathematical model. Taking advantage of the sparse character of brain-like computation, eventdriven technique allows us to carry out efficient simulation of large-scale Spiking Neural Networks (SNN). The recent Leaky Integrate-and-Fire with Latency (LIFL) spiking neuron model is event-driven compatible and exhibits some realistic neuronal features, opening new horizons in whole-brain modelling. In this paper we present FNS, a LIFL-based exact event-driven spiking neural network framework implemented in Java and oriented to wholebrain simulations. FNS combines spiking/synaptic whole-brain modelling with the event-driven approach, allowing us to define heterogeneous modules and multi-scale connectivity with delayed connections and plastic synapses, providing fast simulations at the same time. A novel parallelization strategy is also implemented in order to further speed up simulations. This paper presents mathematical models, software implementation and simulation routines on which FNS is based. Finally, a reduced brain network model (1400 neurons and 45000 synapses) is synthesized on the basis of real brain structural data, and the resulting model activity is compared with associated brain functional (source-space MEG) data. The conducted test shows a good matching between the activity of model and that of the emulated subject, in outstanding simulation times (about 20s for simulating 4s of activity with a normal PC). Dedicated sections of stimuli editing and output synthesis allow the neuroscientist to introduce and extract brain-like signals, respectively...

研究の動機と目的

• 大規模で生物学的に妥当な全脳モデルのシミュレーションにおける計算およびメモリの制限を克服すること。
• スパイクの疎らさに着目したイベント駆動型計算を活用することで、スパイクニューラルネットワークの効率的シミュレーションを可能にすること。
• 可塑性および伝達遅延を含む、異種的で多スケールのニューロンおよびシナプスモデルをサポートする柔軟で拡張可能なフレームワークの開発。
• 新しい並列化戦略を用いて、標準のハードウェアでも高いシミュレーション速度を達成すること。
• 縮小された脳ネットワークモデルからの実際のソース空間 MEG データと比較することで、フレームワークの妥当性を検証すること。

提案手法

• FNS は、イベント駆動型シミュレーションと本質的に互換性を持つ、漏れ積算・発火型（LIFL）ニューロンモデルを実装している。
• フレームワークは、スパイクが発生する瞬間にのみシミュレーションを行う、正確なイベント駆動型スケジューリングを採用しており、計算オーバーヘッドを最小限に抑える。
• 遅延伝達を持つシナプスおよび可塑性を持つシナプスをサポートする多スケール結合構造を実現し、生物学的に現実的なネットワーク構造を再現可能である。
• 複数のスレッドまたはプロセッサにシミュレーション負荷を分散させる新しい並列化戦略が適用されており、パフォーマンス向上が図られている。
• ソフトウェアは Java で実装されており、刺激入力および出力合成のための神経科学ツールとの統合が可能で、ポータビリティを確保している。
• ユーザーが異種のニューロンおよびシナプスモジュールを定義可能であり、複雑な脳に類似したネットワークアーキテクチャの構築を可能としている。

実験結果

リサーチクエスチョン

• RQ1 イベント駆動型 SNN フレームワークは、生物学的妥当性を保ちつつ、大規模脳モデルの高速シミュレーションを達成できるか？
• RQ2 構造的結合データに制約を受ける LIFL ベースのモデルは、機能的脳活動をどの程度正確に再現できるか？
• RQ3 可塑性および伝達遅延を含めることで、シミュレートされた脳動態の忠実度はどの程度向上するか？
• RQ4 高価な計算リソースを必要とせず、標準のデスクトップハードウェアでも現実的な脳活動をシミュレートできるか？
• RQ5 シミュレートされた神経活動は、実際の機能的神経画像法データ（例：MEG）とどの程度正確に一致するか？

主な発見

• FNS フレームワークは、標準の個人用コンピュータ上での 4 秒間の脳活動を約 20 秒でシミュレートし、高い計算効率を示した。
• 1400 ニューロンおよび 45,000 シナプスからなるモデルにおけるシミュレートされた神経活動は、同じ被験者からの実際のソース空間 MEG データと強く一致した。
• フレームワークは、1 つのシミュレーション環境内で遅延接続および可塑性を持つシナプスといった複雑なネットワーク機能を正常にサポートした。
• イベント駆動型アプローチにより、神経活動の疎らさを活かし、関連するスパイクイベントにのみ注目することで、計算コストを顕著に削減した。
• 並列化戦略は、シミュレーション速度の向上に効果的に寄与し、マルチコアシステムにおけるスケーラビリティを実現した。
• 刺激編集および出力合成ツールの統合により、モデル出力と実験的神経生理学的データとの直接比較が可能になった。