Модели нейронных вычислений - Models of neural computation

Модели нейронных вычислений представляют собой попытки объяснить абстрактным и математическим образом основные принципы, лежащие в основе обработки информации в биологических нервных системах или их функциональных компонентах. Эта статья призвана предоставить обзор наиболее точных моделей нейробиологических вычислений, а также инструментов, обычно используемых для их построения и анализа.

Вступление

Из-за сложности поведения нервной системы связанные с ней пределы экспериментальной ошибки нечетко определены, но относительные достоинства различных модели конкретной подсистемы можно сравнить по тому, насколько точно они воспроизводят поведение в реальном мире или реагируют на определенные входные сигналы. В тесно связанной области вычислительной нейроэтология, практика заключается в том, чтобы включить среду в модель таким образом, чтобы петля замкнута. В тех случаях, когда конкурирующие модели недоступны или когда были измерены или количественно оценены только общие ответы, четко сформулированная модель может помочь ученому в разработке экспериментов для исследования биохимических механизмов или сетевого взаимодействия.

Во всех случаях, кроме простейших, математические уравнения, составляющие основу модели, не могут быть решены точно. Тем не менее компьютерные технологии, иногда в форме специализированных программных или аппаратных архитектур, позволяют ученым выполнять итерационные вычисления и искать вероятные решения. Компьютерный чип или робот, который может взаимодействовать с природной средой так же, как и исходный организм, является одним из воплощений полезной модели. Однако конечной мерой успеха является способность делать проверяемые прогнозы.

Общие критерии оценки моделей

Скорость обработки информации

Скорость обработки информации в биологических нейронных системах ограничена скоростью, с которой потенциал действия может распространяться по нервному волокну. Эта скорость проводимости колеблется от 1 м / с до более 100 м / с и обычно увеличивается с увеличением диаметра отростка нейрона. Медленные по шкале времени биологически значимых событий, продиктованные скоростью звука или силой тяжести, нервная система в подавляющем большинстве предпочитает параллельные вычисления последовательным в критичных по времени приложениях.

Надежность

Модель считается устойчивой, если она продолжает давать те же результаты вычислений при изменении входных параметров или рабочих параметров, вызванных шумом. Например, направление движения, вычисленное надежным детектор движения не изменится при небольших изменениях яркость, контраст или джиттер скорости. Для простых математических моделей нейрона, например, зависимость паттернов спайков от задержки сигнала намного слабее, чем зависимость от изменений «весов» межнейронных связей.^[1]

Получить управление

Это относится к принципу, согласно которому реакция нервной системы должна оставаться в определенных границах, даже если входы из окружающей среды резко меняются. Например, при переключении между солнечным днем ​​и безлунной ночью сетчатка изменяет соотношение между уровнем света и выходом нейронов более чем в 1 раз. ${\displaystyle 10^{6}}$ так что сигналы, посылаемые на более поздние стадии зрительной системы, всегда остаются в гораздо более узком диапазоне амплитуд.^[2][3][4]

Линейность против нелинейности

А линейный Система - это такая система, чья реакция в указанной единице измерения на набор входных данных, рассматриваемых одновременно, является суммой ее ответов на входы, рассматриваемые отдельно.

Линейный системы легче поддаются математическому анализу и являются убедительным допущением во многих моделях, включая нейрон Мак-Каллоха и Питтса, модели кодирования населения и простые нейроны, часто используемые в Искусственные нейронные сети. Линейность может возникать в основных элементах нейронной цепи, таких как ответ постсинаптического нейрона, или как возникающее свойство комбинации нелинейных подсхем.^[5] Хотя линейность часто рассматривается как неправильная, в недавних работах предполагалось, что в некоторых случаях она может быть биофизически правдоподобной.^[6][7]

Примеры

Вычислительная нейронная модель может быть ограничена уровнем биохимической передачи сигналов индивидуума. нейроны или он может описывать целый организм в его окружающей среде. Примеры здесь сгруппированы в соответствии с их объемом.

Модели передачи информации в нейронах

Основная статья: модель биологического нейрона

Наиболее широко используемые модели передачи информации в биологических нейронах основаны на аналогиях с электрическими цепями. Решаемые уравнения представляют собой зависящие от времени дифференциальные уравнения с электродинамическими переменными, такими как ток, проводимость или сопротивление, емкость и напряжение.

Модель Ходжкина – Хаксли и ее производные

Основная статья: Модель Ходжкина – Хаксли

Модель Ходжкина – Хаксли, широко известная как одно из величайших достижений биофизики XX века, описывает, как потенциалы действия в нейронах инициируются и распространяются в аксонах через потенциалзависимые ионные каналы. Это набор нелинейный обыкновенные дифференциальные уравнения которые были представлены Алан Ллойд Ходжкин и Эндрю Хаксли в 1952 г., чтобы объяснить результаты зажим напряжения эксперименты на гигантский аксон кальмара. Аналитических решений не существует, но Алгоритм Левенберга-Марквардта, модифицированный Алгоритм Гаусса – Ньютона, часто используется для поместиться эти уравнения к данным фиксации напряжения.

В Модель ФитцХью – Нагумо является упрощением модели Ходжкина – Хаксли. В Модель Хиндмарша – Роуза - это расширение, которое описывает всплески нейронных спайков. Модель Морриса-Лекара - это модификация, которая не генерирует спайков, но описывает распространение медленных волн, которое участвует в тормозных синаптических механизмах генераторы центральных паттернов.

Солитоны

Основная статья: Солитонная модель в нейробиологии

В солитонная модель это альтернатива Модель Ходжкина – Хаксли Это утверждает, что объясняет, как потенциалы действия инициируются и проводятся в виде определенных видов уединенный звук (или же плотность ) импульсы, которые можно смоделировать как солитоны вдоль аксоны, основанный на термодинамической теории распространения нервных импульсов.

Передаточные функции и линейные фильтры

Этот подход под влиянием теория управления и обработка сигналов, обрабатывает нейроны и синапсы как инвариантные во времени объекты, которые производят выходные данные, которые линейные комбинации входных сигналов, часто изображаемых как синусоидальные волны с четко определенными временными или пространственными частотами.

Все поведение нейрона или синапса закодировано в функция передачи, несмотря на отсутствие знаний о точном механизме. Это заставляет высокоразвитую математику решать проблему передачи информации.

Сопутствующая таксономия линейные фильтры оказывается полезным для характеристики нейронных схем. Обе низкий- и фильтры верхних частот постулируется, что они существуют в той или иной форме в сенсорных системах, поскольку они действуют для предотвращения потери информации в высококонтрастных и низкоконтрастных средах соответственно.

Действительно, измерения передаточных функций нейронов в подковообразный краб Retina согласно линейному системному анализу показывает, что они устраняют краткосрочные колебания входных сигналов, оставляя только долгосрочные тенденции, подобно фильтрам нижних частот. Эти животные не могут видеть малоконтрастные объекты без помощи оптических искажений, вызванных подводными течениями.^[8][9]

Модели вычислений в сенсорных системах

Боковое торможение в сетчатке: уравнения Хартлина – Рэтлиффа

В сетчатке возбужденный нервный рецептор может подавлять активность окружающих нейронов в области, называемой тормозным полем. Этот эффект, известный как боковое торможение, увеличивает контраст и резкость зрительного отклика, но приводит к эпифеномену Полосы Маха. Это часто иллюстрируется оптическая иллюзия светлых или темных полос рядом с резкой границей между двумя областями на изображении разной яркости.

Модель Хартлайна-Рэтлиффа описывает взаимодействия внутри группы п фоторецепторные клетки.^[10] Предполагая, что эти взаимодействия линейный, они предложили следующее соотношение для установившаяся скорость отклика ${\displaystyle r_{p}}$ данного п-й фоторецептор с точки зрения скорости реакции в установившемся состоянии ${\displaystyle r_{j}}$ из j окружающие рецепторы:

${\displaystyle r_{p}=\left|\left[e_{p}-\sum _{j=1,j\neq p}^{n}k_{pj}\left|r_{j}-r_{pj}^{o}\right|\right]\right|}$.

Здесь,

${\displaystyle e_{p}}$ это возбуждение цели п-й рецептор от сенсорной трансдукции

${\displaystyle r_{pj}^{o}}$ - связанный порог срабатывания ячейки, и

${\displaystyle k_{pj}}$ - коэффициент тормозящего взаимодействия между п-го и j-й рецептор. Тормозящее взаимодействие уменьшается с удалением от цели. п-й рецептор.

Взаимная корреляция в локализации звука: модель Джеффресса

В соответствии с Джеффресс,^[11] чтобы вычислить местонахождение источника звука в космосе от межуральная разница во времени, слуховая система полагается на линии задержки: индуцированный сигнал от ипсилатеральный слуховой рецептор к определенному нейрону задерживается на то же время, которое требуется, чтобы исходный звук прошел в пространстве от этого уха до другого. Каждая постсинаптическая клетка задерживается по-разному и, таким образом, специфична для определенной меж слуховой разницы во времени. Эта теория эквивалентна математической процедуре взаимная корреляция.

Следуя Фишеру и Андерсону,^[12] ответ постсинаптического нейрона на сигналы из левого и правого уха определяется выражением

${\displaystyle y_{R}\left(t\right)-y_{L}\left(t\right)}$

куда

${\displaystyle y_{L}\left(t\right)=\int _{0}^{\tau }u_{L}\left(\sigma \right)w\left(t-\sigma \right)d\sigma }$

${\displaystyle y_{R}\left(t\right)=\int _{0}^{\tau }u_{R}\left(\sigma \right)w\left(t-\sigma \right)d\sigma }$

и

${\displaystyle w\left(t-\sigma \right)}$ представляет функцию задержки. Это не совсем правильно, и чтобы расставить символы по порядку, нужен ясный взгляд.

В «сипухе» были обнаружены конструкции, соответствующие механизмам типа Джеффресса.^[13]

Взаимная корреляция для обнаружения движения: модель Хассенштейна – Райхардта

Детектор движения должен удовлетворять трем основным требованиям: пара входов, асимметрия и нелинейность.^[14] Операция взаимной корреляции, реализованная асимметрично на ответах от пары фоторецепторов, удовлетворяет этим минимальным критериям и, кроме того, предсказывает особенности, которые наблюдались в ответе нейронов пластинки лобулы у двукрылых насекомых.^[15]

Основное уравнение для ответа:

${\displaystyle R=A_{1}(t-\tau )B_{2}(t)-A_{2}(t-\tau )B_{1}(t)}$

Модель HR предсказывает пик отклика на определенной входной временной частоте. Концептуально подобная модель Барлоу – Левика несовершенна в том смысле, что стимула, предъявляемого только к одному рецептору из пары, достаточно для генерации ответа. Это отличается от модели HR, которая требует, чтобы два коррелированных сигнала доставлялись во времени. Однако модель HR не показывает насыщения отклика при высоких контрастах, что наблюдается в эксперименте. Расширения модели Барлоу-Левика могут компенсировать это несоответствие.^[16]

Модель Уотсона-Аумады для оценки движения человека

Это использует взаимную корреляцию как в пространственном, так и во временном направлениях и связано с концепцией оптический поток.^[17]

Антихеббовская адаптация: пластичность, зависящая от времени всплеска

• Цунопулос, Т; Ким, Y; Oertel, D; Трассел, Л.О. (2004). «Клеточно-специфическая пластичность, зависящая от времени спайков в дорсальном ядре улитки». Nat Neurosci. 7 (7): 719–725. Дои:10.1038 / nn1272. PMID  15208632. S2CID  17774457.
• Робертс, Патрик Д.; Портфорс, Кристина В. (2008). «Принципы проектирования сенсорной обработки в мозжечковых структурах». Биологическая кибернетика. 98 (6): 491–507. Дои:10.1007 / s00422-008-0217-1. PMID  18491162. S2CID  14393814.

Модели сенсорно-моторная связь

Нейрофизиологические метрономы: нейронные цепи для генерации паттернов

Взаимно тормозящий процессы являются объединяющим мотивом всех генераторы центральных паттернов. Это было продемонстрировано на стоматогастральной (СТГ) нервной системе раков и лобстеров.^[18] На основе STG были построены осциллирующие сети с двумя и тремя ячейками, которые поддаются математическому анализу и которые простым образом зависят от силы синапсов и общей активности, предположительно от ручек этих вещей.^[19] Используемая математика - это теория динамические системы.

Обратная связь и управление: модели управления полетом на лету

Считается, что управление полетом на лету осуществляется через входы от зрительной системы, а также жужжальца, пара круглых органов, которые измеряют угловую скорость. Интегрированные компьютерные модели Дрозофила, короткие нейронные схемы, но основанные на общих рекомендациях, данных теория управления и данные о полетах мух на привязи, были построены для исследования деталей управления полетом.^[20][21]

Сенсорно-двигательный контроль мозжечка

Теория тензорных сетей это теория мозжечок функция, которая обеспечивает математическую модель трансформация сенсорного пространство-время координаты в моторные координаты и наоборот мозжечком нейронные сети. Теорию разработали Андраш Пеллиониш и Родольфо Ллинас в 1980-х как геометризация функции мозга (особенно Центральная нервная система ) с помощью тензоры.^[22][23]

Подходы и инструменты программного моделирования

Нейронные сети

Основная статья: нейронная сеть

В этом подходе сила и тип, возбуждающий или тормозящий, синаптических связей представлены величиной и знаком весов, то есть числовыми значениями. коэффициенты ${\displaystyle w'}$ перед входами ${\displaystyle x}$ к конкретному нейрону. Ответ ${\displaystyle j}$-й нейрон задается суммой нелинейных, обычно "сигмовидный "функции ${\displaystyle g}$ входов как:

${\displaystyle f_{j}=\sum _{i}g\left(w_{ji}'x_{i}+b_{j}\right)}$.

Затем этот ответ вводится в другие нейроны и так далее. Цель состоит в том, чтобы оптимизировать веса нейронов для вывода желаемого ответа на выходном слое, соответствующего набору заданных входов на входном уровне. Эта оптимизация весов нейронов часто выполняется с помощью алгоритм обратного распространения ошибки и метод оптимизации, такой как градиентный спуск или же Метод оптимизации Ньютона. Обратное распространение сравнивает выходные данные сети с ожидаемыми выходными данными обучающих данных, а затем обновляет веса каждого нейрона, чтобы минимизировать вклад этого отдельного нейрона в общую ошибку сети.

Генетические алгоритмы

Генетические алгоритмы используются для развития нейронных (а иногда и телесных) свойств в модельной системе мозг-тело-окружающая среда, чтобы продемонстрировать желаемые поведенческие характеристики. Затем разработанные агенты могут быть подвергнуты детальному анализу, чтобы раскрыть их принципы действия. Эволюционные подходы особенно полезны для исследования пространства возможных решений данной поведенческой задачи, потому что эти подходы минимизируют априорные предположения о том, как данное поведение должно быть реализовано. Они также могут быть полезны для изучения различных способов завершения вычислительной модели нейроэтологии, когда для интересующей биологической системы доступны только частичные нейронные схемы.^[24]

НЕЙРОН

В НЕЙРОН Программное обеспечение, разработанное в Университете Дьюка, представляет собой симуляционную среду для моделирования отдельных нейронов и сетей нейронов.^[25] Среда NEURON - это автономная среда, позволяющая взаимодействовать через свои GUI или с помощью сценария с hoc или же питон. Механизм моделирования NEURON основан на модели типа Ходжкина-Хаксли с использованием формулировки Борга-Грэма. Несколько примеров моделей, написанных на NEURON, доступны в онлайн-базе данных ModelDB.^[26]

Воплощение в электронном оборудовании

Кремниевые нейроны на основе проводимости

Нервные системы отличаются от большинства кремниевых вычислительных устройств тем, что они похожи на аналоговые компьютеры (нет цифровые данные процессоров) и массово параллельно процессоры, а не последовательный процессоры. Для точного моделирования нервной системы в режиме реального времени требуется альтернативное оборудование.

В наиболее реалистичных схемах на сегодняшний день используются аналог свойства существующих цифровая электроника (работающие в нестандартных условиях) для реализации моделей типа Ходжкина – Хаксли. in silico.^[27][28]

Ретиноморфные чипы

^[29]

Смотрите также

• Когнитивная архитектура
• Познавательная карта
• Вычислительная нейробиология
• Восприятие движения
• Нейронное кодирование
• Нейронный коррелят
• Нейронное декодирование
• Нейроэтология
• Нейроинформатика
• Количественные модели потенциала действия
• Пиковая нейронная сеть
• Системная неврология

Рекомендации

1. Цейнар, Павел; Вышата, Олдржих; Валиш, Мартин; Прохазка, Алеш (2019). «Сложное поведение простой модели нейронного осциллятора в коре головного мозга человека». IEEE Transactions по нейронным системам и реабилитационной инженерии. 27 (3): 337–347. Дои:10.1109 / TNSRE.2018.2883618. PMID  30507514. S2CID  54527064.
2. Николас Дж. Прибе и Дэвид Ферстер (2002). «Новый механизм контроля усиления нейронов». 35 (4). Нейрон. С. 602–604.
3. Кляйн, С.А., Карни, Т., Баргоут-Штайн, Л., и Тайлер, К.В. (1997, июнь). Семь моделей маскировки. В Electronic Imaging'97 (стр. 13–24). Международное общество оптики и фотоники.
4. Баргут-Штайн, Лорен. О различиях между маскировкой периферического и фовеального рисунка. Дисс. Калифорнийский университет, Беркли, 1999.
5. Мольнар, Алеша; Hsueh, Hain-Ann; Роска, Ботонд; Верблин, Франк С. (2009). «Торможение кроссовера в сетчатке: схема, которая компенсирует нелинейную выпрямляющую синаптическую передачу». Журнал вычислительной неврологии. 27 (3): 569–590. Дои:10.1007 / s10827-009-0170-6. ISSN  0929-5313. ЧВК  2766457. PMID  19636690.
6. Сингх, Чандан; Леви, Уильям Б. (13 июля 2017 г.). «Пирамидный нейрон консенсусного слоя V может выдерживать межимпульсное интервальное кодирование». PLOS One. 12 (7): e0180839. arXiv:1609.08213. Bibcode:2017PLoSO..1280839S. Дои:10.1371 / journal.pone.0180839. ISSN  1932-6203. ЧВК  5509228. PMID  28704450.
7. Кэш, Сидней; Юсте, Рафаэль (1 января 1998 г.). «Суммирование входных данных культивированными пирамидальными нейронами является линейным и независимым от положения». Журнал неврологии. 18 (1): 10–15. Дои:10.1523 / JNEUROSCI.18-01-00010.1998. ISSN  0270-6474. ЧВК  6793421. PMID  9412481.
8. Роберт Б. Барлоу младший; Рамкришна Пракаш; Эдуардо Солессио (1993). «Нейронная сеть сетчатки Limulus: от компьютера к поведению». Американский зоолог. 33: 66–78. Дои:10.1093 / icb / 33.1.66.
9. Роберт Б. Барлоу, Джеймс М. Хитт и Фредерик А. Додж (2001). «Видение Лимулуса в морской среде». Биологический бюллетень. 200 (2): 169–176. CiteSeerX  10.1.1.116.5190. Дои:10.2307/1543311. JSTOR  1543311. PMID  11341579.
10. К. П. Хаделер и Д. Кун (1987). «Стационарные состояния модели Хартлина – Рэтлиффа». Биологическая кибернетика. 56 (5–6): 411–417. Дои:10.1007 / BF00319520. S2CID  8710876.
11. Джеффресс, Л.А. (1948). «Теория места локализации звука». Журнал сравнительной и физиологической психологии. 41 (1): 35–39. Дои:10,1037 / ч0061495. PMID  18904764.
12. Фишер, Брайан Дж .; Андерсон, Чарльз Х. (2004). «Расчетная модель локализации звука у сипухи». Нейрокомпьютинг. 58–60: 1007–1012. Дои:10.1016 / j.neucom.2004.01.159.
13. Кэтрин Э. Карр, 1993. Модели линий задержки локализации звука у сипухи "Американский зоолог" Vol. 33, № 1 79–85
14. Борст А., Эгельхааф М., 1989. Принципы визуального обнаружения движения. «Тенденции в нейронауках» 12 (8): 297–306
15. Joesch, M .; и другие. (2008). «Свойства реакции чувствительных к движению зрительных интернейронов в лобулярной пластинке Drosophila melanogaster». Curr. Биол. 18 (5): 368–374. Дои:10.1016 / j.cub.2008.02.022. PMID  18328703. S2CID  18873331.
16. Гонсало Г. де Полавьеха, 2006. Нейронные алгоритмы, определяющие временной порядок событий «Нейронные вычисления» 18 (2006) 2102–2121
17. Эндрю Б. Уотсон и Альберт Дж. Ахумада мл., 1985. Модель зрительного восприятия движения человека "J. Opt. Soc. Am. A" 2 (2) 322–341
18. Майкл П. Нусбаум и Марк П. Бенхаккер, Подход малых систем к генерации двигательных паттернов, Nature 417, 343–350 (16 мая 2002 г.)
19. Cristina Soto-Treviño, Kurt A. Thoroughman и Eve Marder, L. F. Abbott, 2006. Зависимая от активности модификация тормозных синапсов в моделях ритмических нейронных сетей Nature Vol 4 No 3 2102–2121
20. "Модель Grand Unified Fly (GUF)".
21. http://www.mendeley.com/download/public/2464051/3652638122/d3bd7957efd2c8a011afb0687dfb6943731cb6d0/dl.pdf^{[постоянная мертвая ссылка ]}
22. Пеллионис А., Ллинас Р. (1980). «Тензорный подход к геометрии функции мозга: координация мозжечка с помощью метрического тензора» (PDF). Неврология. 5 (7): 1125––1136. Дои:10.1016/0306-4522(80)90191-8. PMID  6967569. S2CID  17303132.
23. Пеллионис А., Ллинас Р. (1985). «Тензорная сетевая теория метаорганизации функциональных геометрий в центральной нервной системе». Неврология. 16 (2): 245–273. Дои:10.1016/0306-4522(85)90001-6. PMID  4080158. S2CID  10747593.
24. Пиво, Рэндалл; Чиль, Гилель (4 марта 2008 г.). «Вычислительная нейроэтология». Scholarpedia. 3 (3): 5307. Bibcode:2008SchpJ ... 3.5307B. Дои:10.4249 / scholarpedia.5307.
25. «НЕЙРОН - для эмпирического моделирования нейронов и нейронных сетей».
26. Макдугал Р.А., Морс Т.М., Карневале Т., Маренко Л., Ван Р., Мильоре М., Миллер П.Л., Шеперд Г.М., Хайнс М.Л. Двадцать лет работы в ModelDB и не только: создание необходимых инструментов моделирования для будущего нейробиологии. J Comput Neurosci. 2017; 42 (1): 1–10.
27. L. Alvadoa, J. Tomasa, S. Saghia, S. Renauda, ​​T. Balb, A. Destexheb, G. Le Masson, 2004. Аппаратные вычисления моделей нейронов на основе проводимости. Нейрокомпьютеры 58–60 (2004) 109–115
28. Индивери, Джакомо; Дуглас, Родни; Смит, Лесли (29 марта 2008 г.). «Кремниевые нейроны». Scholarpedia. 3 (3): 1887. Bibcode:2008SchpJ ... 3.1887I. Дои:10.4249 / scholarpedia.1887.
29. Квабена Боахен, "Ретиноморфный чип с параллельными путями: кодирование УВЕЛИЧЕНИЕ, ВКЛЮЧЕНИЕ, УМЕНЬШЕНИЕ и ВЫКЛЮЧЕНИЕ визуальных сигналов", Аналоговые интегральные схемы и обработка сигналов, 30, 121–135, 2002

внешняя ссылка

• Нейронная динамика в NSI - Веб-страница Патрика Д Робертса в Институте неврологических наук
• Лаборатория Дикинсона - Веб-страница группы Дикинсона в Калифорнийском технологическом институте, которая изучает управление полетом в Дрозофила