[论文解读] FNS: an event-driven spiking neural network simulator based on the LIFL neuron model

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

Advanced Memory and Neural Computing参考文献 71被引用 5

一句话总结

FNS 是一种基于 LIFL 神经元模型的事件驱动脉冲神经网络模拟器，通过利用稀疏神经活动实现高效的大规模脑模拟。它支持异构神经元模块、延迟连接、可塑性突触以及多线程并行化，其模拟的脑子网络活动与真实的 MEG 功能数据高度一致。

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, leading to the search for new simulation strategies. Taking advantage of the sparse character of brain-like computation, the event-driven technique could represent a way 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 avenues for brain modelling. In this paper we introduce FNS, the first LIFL-based spiking neural network framework, which combines spiking/synaptic neural modelling with the event-driven approach, allowing us to define heterogeneous neuron modules and multi-scale connectivity with delayed connections and plastic synapses. In order to allow multi-thread implementations a novel parallelization strategy is also introduced. This paper presents mathematical models, software implementation and simulation routines on which FNS is based. Finally, a brain subnetwork is modeled on the basis of real brain structural data, and the resulting simulated activity is compared with associated brain functional (source-space MEG) data, demonstrating a good matching between the activity of the model and that of the experimetal data. This work aims to lay the groundwork for future event-driven based personalised brain models.

研究动机与目标

• 通过利用事件驱动模拟来解决大规模脉冲神经网络（SNN）模拟的计算成本问题。
• 开发一种与具有生物学真实性的 LIFL 神经元模型兼容的模拟器，该模型支持事件驱动动力学和突触时序依赖可塑性（STDP）。
• 实现具有延迟连接和可塑性突触的多尺度、异构脑网络建模。
• 实施一种高效的并行化策略，以支持大规模模拟中的多线程执行。
• 通过将模拟活动与来自脑子网络的真实源空间 MEG 数据进行比较，对模型进行验证。

提出的方法

• FNS 采用事件驱动模拟方法，仅在神经元接收或发出脉冲时才更新，从而降低计算负载。
• 采用漏电整合-放电带延迟（LIFL）神经元模型，该模型支持精确的脉冲时间标记，且与事件驱动模拟天然兼容。
• 模拟器支持多尺度连接性，包括具有伽马分布延迟的轴突传导延迟和具有 STDP 的可塑性突触。
• 提出一种新型并行化策略，将网络划分为节点，并使用 BOP（批量操作周期）机制来管理节点间的脉冲通信。
• 脉冲队列按时间排序，节点间脉冲通过 outer_burning_event 列表进行管理，以确保线程间正确同步。
• 使用正态分布初始化模块内和模块间的突触权重，而使用伽马分布对轴突延迟进行建模。

实验结果

研究问题

• RQ1 基于 LIFL 模型的事件驱动 SNN 模拟器是否能够实现高效的大规模脑网络模拟，并具备高度的生物学合理性？
• RQ2 当受到真实结构连接组数据约束时，FNS 模拟器在多大程度上能够再现功能性脑动力学？
• RQ3 与传统的时钟驱动方法相比，事件驱动方法在多大程度上降低了计算成本？
• RQ4 该模拟器是否能够利用基于真实脑解剖结构的子网络准确再现实验观测到的 MEG 信号？
• RQ5 所提出的多线程并行化策略在跨多个处理单元扩展模拟规模方面有多高效？

主要发现

• FNS 模拟器成功实现了基于事件驱动和 LIFL 的 SNN 框架，支持异构神经元模块、延迟连接和可塑性突触。
• 通过避免周期性更新并利用事件驱动执行减少内存使用，该模拟器展示了高效的计算性能。
• 模型在脑子网络中的模拟活动与真实源空间 MEG 数据表现出强烈匹配，验证了其功能相关性。
• 使用伽马分布延迟能够实现对轴突传导时间的真实建模，提升了网络动力学的保真度。
• 多线程并行化策略通过解耦节点级计算并管理节点间脉冲传输，实现了大规模网络模拟的可扩展性。
• 在 LIFL 模型中实现 STDP 和精确脉冲时间标记，使得学习过程和动态网络行为具有生物学真实性。