返回
Modeling macroscopic brain dynamics with brain-inspired computing architecture
DOI:10.1038/s41467-025-64470-3.png)
摘要
En 中文
理解大脑需要构建大规模神经动力学模型,其中对宏观大脑行为的粗粒度建模是一种将大脑结构与功能通过经验数据联系起来的强大范式。然而,模型反演过程仍然计算密集且耗时,限制了研究效率和医疗部署。在本工作中,我们提出了一条连接粗粒度大脑建模和先进计算架构的管线。我们引入了一个动力学感知量化框架,能够实现高精度低精度模拟并保持动力学特性,从而解决了脑启发计算架构固有的精度挑战。此外,为了利用硬件能力,我们开发了针对脑启发计算芯片和GPU的层次化并行映射策略。实验结果表明,部署的低精度模型在保持高功能保真度的同时,相比常用CPU实现了数十至数百倍的加速。这项工作为宏观大脑动力学建模提供了必要的计算基础设施,并将脑启发计算的应用扩展到神经科学和医学中的科学计算。建模宏观大脑动力学至关重要,但受限于模型拟合经验数据的缓慢且密集的过程。在此,作者引入了动力学感知量化框架和层次化并行映射策略,以实现在脑启发芯片和GPU上的高精度低精度模拟。
Keyword:
brain-inspired computing
coarse-grained brain modeling
dynamics-aware quantization
hierarchical parallelism
macroscopic brain dynamics
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
15.7
论文数:
9.4W
被引数:
91.2W
机构
引用论文
Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi在Intel的神经形态硬件Loihi上映射和验证点神经元模型
A mathematical theory of the functional dynamics of cortical and thalamic nervous tissue
Kybernetik
IF0
Whole-brain modeling of the differential influences of amyloid-beta and tau in Alzheimer's disease淀粉样 β 和tau蛋白对阿尔茨海默病的不同影响的全脑建模
An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest
NeuroImage
IF0

