[논문 리뷰] FNS: an event-driven spiking neural network framework for efficient simulations of large-scale brain models

Gianluca Susi, Pilar Garcés외 5명|arXiv (Cornell University)|2018. 01. 02.

Advanced Memory and Neural Computing인용 수 3

한 줄 요약

FNS는 이벤트 기반의 LIFL 기반 스파iking 신경망 프레임워크로, 희소 계산과 정확한 이벤트 기반 타이밍을 활용하여 효율적이고 대규모 전체 뇌 시뮬레이션을 가능하게 한다. 표준 PC에서 4초 간의 뇌 활동에 대해 약 20초의 시뮬레이션 속도를 달성하면서도, 유연하고 다층적인 연결성, 가소성과 지연이 있는 synapses를 지원하며, 실제 MEG 데이터와의 일치를 통해 검증된다.

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...

연구 동기 및 목표

• 대규모이고 생물학적으로 타당한 전체 뇌 모델을 시뮬레이션할 때 발생하는 계산 및 메모리 제약를 극복하기 위해.
• 뇌 유사 활동의 희소성을 활용하여 이벤트 기반 계산을 통해 스파iking 신경망의 효율적 시뮬레이션을 가능하게 하기 위해.
• 다양한 신경세포 및 시냅스 모델을 지원하는 유연하고 확장 가능한 프레임워크를 개발하여, 가소성과 전도 지연을 포함하기 위해.
• 새로운 병렬 처리 전략을 적용하여 표준 하드웨어에서 높은 시뮬레이션 속도를 달성하기 위해.
• 단순화된 뇌 네트워크 모델에서의 실제 소스 영역 MEG 데이터와 비교하여 프레임워크를 검증하기 위해.

제안 방법

• FNS는 이벤트 기반 시뮬레이션과 자연스럽게 호환되는 누출 적분-화염(LIFL) 뉴런 모델을 구현한다.
• 정확한 이벤트 기반 스케줄링을 사용하여, 스파이크가 발생할 때만 시뮬레이션을 수행함으로써 계산 오버헤드를 최소화한다.
• 지연된 시냅스 전달과 가소성 있는 시냅스를 지원하는 다층적 연결성을 통해 생물학적으로 현실적인 네트워크 구조를 구현한다.
• 다중 스레드 또는 프로세서 간에 시뮬레이션 부하를 분산시키기 위해 새로운 병렬 처리 전략을 적용한다.
• Java로 구현되어 있어 이식성과 자극 입력 및 출력 합성용 뉴런 과학 도구와의 통합이 가능하다.
• 사용자가 다양한 신경세포 및 시냅스 모듈을 정의할 수 있도록 하여, 복잡한 뇌 유사 네트워크 아키텍처를 지원한다.

실험 결과

연구 질문

• RQ1 이벤트 기반 SNN 프레임워크는 생물학적 현실성을 유지하면서도 대규모 뇌 모델의 고속 시뮬레이션을 달성할 수 있는가?
• RQ2 구조적 연결성 데이터에 제약을 받는 LIFL 기반 모델이 기능적 뇌 활동을 얼마나 잘 재현할 수 있는가?
• RQ3 시냅스 가소성과 전도 지연을 포함함으로써 시뮬레이션된 뇌 동역학의 정확도는 어느 정도 향상되는가?
• RQ4 고성능 컴퓨팅 자원이 필요 없이도 표준 데스크톱 하드웨어에서 실제 뇌 활동을 시뮬레이션할 수 있는가?
• RQ5 시뮬레이션된 신경 활동이 실제 기능적 뇌 영상 데이터(예: MEG)와 얼마나 정확하게 일치하는가?

주요 결과

• FNS 프레임워크는 표준 개인용 컴퓨터에서 4초 간의 뇌 활동을 약 20초 만에 시뮬레이션하여 높은 계산 효율성을 입증했다.
• 1400개의 뉴런과 45,000개의 시냅스로 구성된 모델에서 시뮬레이션된 신경 활동이 동일한 피험자로부터의 실제 소스 영역 MEG 데이터와 강한 일치를 보였다.
• 프레임워크는 단일 시뮬레이션 환경 내에서 지연 연결과 가소성 있는 시냅스와 같은 복잡한 네트워크 기능을 성공적으로 지원했다.
• 이벤트 기반 접근 방식은 뉴런 활동의 희소성을 활용하여 관련 스파이크 이벤트에만 집중함으로써 계산 비용을 크게 감소시켰다.
• 병렬 처리 전략은 시뮬레이션 속도를 효과적으로 향상시켜 다중 코어 시스템에서의 확장성을 보장했다.
• 자극 편집 및 출력 합성 도구의 통합을 통해 모델 출력과 실질적인 신경생리학적 데이터 간 직접 비교가 가능해졌다.