[논문 리뷰] Digital Twin Brain: a simulation and assimilation platform for whole human brain

Wenlian Lu, Longbin Zeng외 13명|arXiv (Cornell University)|2023. 08. 02.

Molecular Communication and Nanonetworks인용 수 13

한 줄 요약

DTB는 sMRI-DTI-PET 개인화 구조를 사용하여 전체 인간 뇌 규모의 스파이크 네트워크(86B 뉴런, 47.8T 시냅스)를 시뮬레이션하는 GPU 기반 플랫폼으로, 다양한 발화 속도에 대해 실시간에 가까운 벽 시간대를 달성하고 BOLD 신호와 일치시키기 위한 데이터 동화를 가능하게 한다.

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.

연구 동기 및 목표

• 개인화된 sMRI-DTI-PET 데이터를 기반으로 한 전체 뇌 스파이킹 뉴런 네트워크 모델을 시연한다.
• 계산이 아니라 메모리 접근 및 통신이 HPC/ GPU 시스템에서 뇌 규모 시뮬레이션의 병목임을 보여준다.
• 로드를 균형 있게 분산하고 GPU 간 트래픽을 최소화하기 위한 파티셔닝 및 데이터 구조 기술을 개발한다.
• BOLD 신호로부터 매개변수를 추정하고 인지 유사 동역학을 가능하게 하는 중간 규모 데이터 동화 프레임워크를 제안한다.]
• method:[
• 뇌를 복셀 수준 LIF 뉴런과 네 가지 시냅스 유형(AMPA, NMDA, GABAa, GABAb)을 가진 계층적 무작위 그래프로 모델링한다.
• sMRI-DTI-PET 데이터를 활용하여 피질, 피질하, 뇌간, 소뇌에 걸친 희박하고 이질적인 연결성을 정의한다.
• 계산, 내부-GPU 및 GPU 간 통신을 처리하는 3스레드 병렬화를 갖춘 GPU 기반 HPC 시뮬레이션을 구현한다.
• GPU 용량을 존중하면서 GPU 간 트래픽을 최소화하는 N-방향 파티셔닝 알고리즘을 도입한다.
• Balloon-Windkessel 모델을 통해 BOLD 신호로부터 하이퍼파라미터를 추정하기 위한 계층적 중간 규모의 데이터 동화를 개발한다.]
• research_questions:[
• 뇌의 희박하고 이질적인 구조를 감안할 때 GPU 기반 HPC에서 전체 인간 뇌 규모의 스파이킹 네트워크를 효율적으로 시뮬레이션할 수 있는가?
• 이처럼 대규모의 voxel 기반 네트워크에서 GPU 간 통신을 최적화하는 파티셔닝 및 데이터 구조는 무엇인가?
• BOLD 데이터로부터 인지 유사 동역학을 재현하기 위해 생물학적으로 의미 있는 매개변수를 추정하는 중간 규모 데이터 동화 프레임워크가 가능한가?
• 개인화된 해부학(sMRI-DTI-PET)이 균질한 네트워크와 비교하여 시뮬레이션 성능 및 기능적 추론에 어떤 영향을 미치는가?]
• key_findings:[
• 플랫폼은 최대 86B 뉴런과 47.8T 시냅스를 시뮬레이션한다.
• 생물학적 시간 1초에 대한 솔루션 시간은 약 7 Hz에서 65초, 약 15 Hz에서 78.8초, 약 30 Hz에서 118.8초이다.
• 이질적인 뇌 구조를 가진 HPC 시스템에서 시뮬레이션은 계산 집약적이기보다 메모리 접근 및 통신에 의해 더 많이 소요된다.
• 새로운 파티셔닝 알고리즘이 순차 매핑에 비해 GPU 간 트래픽의 변동성과 혼잡을 감소시킨다.
• HMDA 데이터 동화를 통한 시각 평가 작업에서 DTB 파생값과 생물학적 대응 간 피어슨 상관계수 0.65를 초과하는 상관이 관찰된다.

실험 결과

주요 결과

• The platform simulates up to 86 billion neurons and 47.8 trillion synapses.
• Time-to-solution for 1 second of biological time is 65 seconds at ~7 Hz, 78.8 seconds at ~15 Hz, and 118.8 seconds at ~30 Hz firing rates.
• The simulation is memory-access- and communication-intensive rather than computation-intensive on HPC systems with heterogeneous brain structure.
• A novel partitioning algorithm reduces inter-GPU traffic variability and congestion compared to sequential mapping.
• A Pearson correlation over 0.65 is observed between DTB-derived and biological counterpart in visual evaluation tasks via HMDA data assimilation.