[论文解读] Library-based Fast Algorithm for Simulating the Hodgkin-Huxley Neuronal Networks

Zhong-qi K. Tian, Douglas Zhou|arXiv (Cornell University)|Jan 17, 2021

Neural dynamics and brain function参考文献 33被引用 4

一句话总结

该论文提出一种基于库的快速算法，用于模拟霍奇金-赫克斯利（Hodgkin-Huxley）神经元网络，通过预先计算动作电位动力学的高分辨率数据库，实现高达0.354 ms的时间步长，与标准龙格-库塔方法相比，速度最高提升10倍，同时保持了关键统计特性，如峰发放分布和混沌动力学。

ABSTRACT

We present a modified library-based method for simulating the Hodgkin-Huxley (HH) neuronal networks. By pre-computing a high resolution data library during the interval of an action potential (spike), we can avoid evolving the HH equations during the spike and can use a large time step to raise efficiency. The library method can stably achieve at most 10 times of speedup compared with the regular Runge-Kutta method while capturing most statistical properties of HH neurons like the distribution of spikes which data is widely used in the statistical analysis like transfer entropy and Granger causality. The idea of library method can be easily and successfully applied to other HH-type models like the most prominent extquotedblleft regular spiking extquotedblright , extquotedblleft fast spiking extquotedblright , extquotedblleft intrinsically bursting extquotedblright{} and extquotedblleft low-threshold spike extquotedblright{} types of HH models.

研究动机与目标

• 为解决标准龙格-库塔方法在模拟霍奇金-赫克斯利（HH）神经元网络时，因动作电位期间的刚性问题导致的计算效率低下问题。
• 开发一种快速模拟方法，在使用较大时间步长的情况下，仍能保持峰发放分布和网络动力学的高统计准确性。
• 将该库方法的适用范围扩展至多种HH型模型，包括普通放电型、快速放电型、内源性burst型和低阈值放电型神经元。
• 通过集成峰峰校正过程，确保在大时间步长下准确反映突触相互作用的因果顺序。

提出的方法

• 预先计算代表性HH神经元在动作电位期间（3 ms）膜电位和门控变量轨迹的高分辨率数据库。
• 将HH神经元视为漏电积分-发放（I&F）模型：当膜电位越过阈值时，暂停HH方程的积分，改用数据库插值计算动作电位后的状态。
• 在非放电阶段使用较大的时间步长（最高达0.354 ms），与使用小时间步长的标准龙格-库塔方法相比，显著降低计算成本。
• 基于动作电位起始时刻的初始状态，从预计算的数据库中插值获取每个时间步结束时的神经元状态，避免直接求解刚性方程。
• 将相同的数据库构建与查找过程应用于包含额外电压依赖性电流（如IB、LTS、FS型）的扩展HH型模型。
• 实现峰峰校正过程，以确保在大时间步长下准确还原峰发放的因果顺序，尤其在时间步长较大时至关重要。

实验结果

研究问题

• RQ1 基于库的方法是否能在不牺牲峰发放统计准确性的情况下，显著提升霍奇金-赫克斯利神经元网络的模拟速度？
• RQ2 该库方法在多大程度上能够保持HH型模型中关键动力学特性，如峰发放频率适应、burst放电和混沌行为？
• RQ3 该库方法在不同神经元类型（包括普通放电型、快速放电型、内源性burst型和低阈值放电型神经元）中的表现如何？
• RQ4 在保证可靠峰发放序列和统计模式保真度的前提下，该库方法可使用的最大时间步长是多少？
• RQ5 在使用大时间步长的库方法中，峰峰校正过程是否对准确重建峰发放序列至关重要？

主要发现

• 该库方法与标准龙格-库塔方法相比，最大可实现10倍的速度提升，同时保持了霍奇金-赫克斯利神经元的统计特性。
• 该方法准确保持了峰发放分布和放电率统计特性，这对需要长时间模拟（约20分钟）的传输熵和格兰杰因果分析至关重要。
• 该方法成功捕捉了混沌动力学，经最大李雅普诺夫指数验证，表明复杂时间行为得以保留。
• 该方法在多种HH型模型中表现稳健，包括普通放电型、快速放电型、内源性burst型和低阈值放电型神经元，均保持一致的速度提升和准确性。
• 当使用大时间步长时，峰峰校正过程对准确重建峰发放序列至关重要，可确保正确的突触相互作用因果性。
• 即使因数据库插值引入额外误差，该方法仍保留了原始HH模型的大多数统计和动力学特性，适用于长期统计神经科学应用。