[论文解读] 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 3

一句话总结

FNS 是一种基于 LIFL 的事件驱动脉冲神经网络框架，采用 Java 编写，通过利用稀疏计算和精确的事件驱动时间机制，实现了高效的大规模全脑仿真。它在标准个人电脑上实现了快速的仿真速度（例如，在标准 PC 上 4 秒脑活动的仿真仅需约 20 秒），同时支持异构、多尺度的连接结构，包含可塑性和延迟突触，并通过与真实 MEG 数据匹配验证了其有效性。

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...

研究动机与目标

• 为克服在模拟大规模、生物上合理的全脑模型时面临的计算和内存限制。
• 通过利用脑样活动的稀疏性实现事件驱动计算，以实现脉冲神经网络的高效模拟。
• 开发一个灵活且可扩展的框架，支持异构的神经元和突触模型，包括可塑性和突触传递延迟。
• 通过一种新颖的并行化策略，在标准硬件上实现高速仿真。
• 通过将模拟的脑活动与简化脑网络模型的真实源空间 MEG 数据进行比较，对框架进行验证。

提出的方法

• FNS 实现了具有时滞的漏电积分-发放（LIFL）神经元模型，该模型天然兼容事件驱动仿真。
• 该框架采用精确的事件驱动调度机制，仅在实际发生尖峰时进行仿真，从而最大限度减少计算开销。
• 它支持多尺度连接结构，具备延迟突触传递和可塑性突触，能够实现生物上真实的网络结构。
• 采用一种新颖的并行化策略，将仿真负载分布到多个线程或处理器上，从而提升性能。
• 该软件使用 Java 实现，具备良好的可移植性，并可与神经科学工具集成，用于刺激输入和输出合成。
• 该框架允许用户定义异构的神经元和突触模块，支持复杂、类脑的网络架构。

实验结果

研究问题

• RQ1 事件驱动的 SNN 框架是否能够在保持生物学真实性的同时，实现大规模脑模型的高速仿真？
• RQ2 在结构连接数据的约束下，基于 LIFL 的模型在多大程度上能够复现功能性脑活动？
• RQ3 引入突触可塑性和突触传递延迟在多大程度上提升了模拟脑动力学的保真度？
• RQ4 该框架是否能够在不依赖高端计算资源的情况下，在标准台式机上实现真实脑活动的仿真？
• RQ5 模拟的神经活动与真实功能神经影像数据（例如 MEG）的匹配度有多高？

主要发现

• FNS 框架在标准个人电脑上实现了约 20 秒内完成 4 秒脑活动的仿真，展示了极高的计算效率。
• 在 1400 个神经元、45,000 个突触的模型中，模拟的神经活动与同一受试者的真实源空间 MEG 数据表现出高度匹配。
• 该框架成功在一个仿真环境中支持了复杂的网络特性，包括延迟连接和可塑性突触。
• 事件驱动方法通过仅关注相关尖峰事件，显著降低了计算成本，充分利用了神经活动的稀疏性。
• 并行化策略有效提升了仿真速度，使框架在多核系统上具备良好的可扩展性。
• 刺激编辑与输出合成工具的集成，使得模型输出与实证神经生理学数据能够直接进行比较。