[论文解读] 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 13

一句话总结

DTB 是一个基于 GPU 的平台，使用个性化的 sMRI-DTI-PET 结构，模拟整个人脑尺度的尖峰神经网络（86B 神经元，47.8T 突触）。在不同发放率下实现近实时的墙钟时间，并实现数据同化以对齐 BOLD 信号。

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.

研究动机与目标

• 基于个性化的 sMRI-DTI-PET 数据，演示一个全脑尖峰神经网络模型。
• 证明内存访问和通信，而非计算，是 HPC/GPU 系统上脑尺度仿真的瓶颈。
• 开发划分和数据结构技术，以平衡负载并最小化跨 GPU 的流量。
• 提出一个介观数据同化框架，通过 Balloon-Windkessel 模型从 BOLD 信号推断参数并实现类似认知的动力学。

提出的方法

• 将大脑建模为基于体素的 LIF 神经元的分层随机图，以及四种突触类型（AMPA、NMDA、GABAa、GABAb）。
• 使用 sMRI-DTI-PET 数据定义皮质、皮层下结构、脑干和小脑之间的稀疏异质连接。
• 实现一个基于 GPU 的 HPC 仿真，采用三线程并行处理计算、以及内部与跨 GPU 的通信。
• 引入一个 N 维划分算法，以在遵守 GPU 容量的前提下尽量减少跨 GPU 流量。
• 开发分层的介观数据同化，通过 Balloon-Windkessel 模型从 BOLD 信号估计超参数。

实验结果

研究问题

• RQ1 在大脑稀疏且异质结构的前提下，是否可以在基于 GPU 的 HPC 上高效地模拟全人脑尺度的尖峰网络？
• RQ2 何种划分与数据结构能够优化如此大规模、基于体素的网络的跨 GPU 通信？
• RQ3 是否可通过介观数据同化框架从 BOLD 数据推断出生物学意义明确的参数，以再现类似认知的动力学？
• RQ4 个性化解剖（sMRI-DTI-PET）如何影响仿真性能和功能性推断，相较于同质网络？

主要发现

• 该平台可模拟高达 860 亿个神经元和 47.8 万亿个突触。
• 对 1 秒生物时间的解算时间在 ~7 Hz 时为 65 秒，在 ~15 Hz 时为 78.8 秒，在 ~30 Hz 时为 118.8 秒。
• 在具有异质脑结构的 HPC 系统上，仿真消耗更多的是内存访问和通信，而非计算。
• 一种新颖的划分算法相比顺序映射能降低跨 GPU 流量的方差和拥堵。
• 通过 HMDA 数据同化得到的 DTB 性能与生物学对照在视觉评估任务中的皮尔逊相关度超过 0.65。