A Differentiable Approach to Multi-scale Brain Modeling

要約

正確な脳シミュレーションと強力な勾配ベースの最適化を組み合わせた独自の微分可能な脳シミュレーターである BrainPy を利用した、マルチスケールの微分可能な脳モデリング ワークフローを紹介します。
私たちは、さまざまな脳スケールにわたって BrainPy のこの機能を活用しています。
単一ニューロン レベルでは、微分可能なニューロン モデルを実装し、勾配法を採用して電気生理学的データへの適合を最適化します。
ネットワーク レベルでは、コネクトミクス データを組み込み、生物学的に制約されたネットワーク モデルを構築します。
最後に、動物の行動を再現するために、勾配ベースの学習ルールを使用して認知タスクでこれらのモデルをトレーニングします。
実験は、私たちのアプローチが一般化リーキー積分および発射モデルおよびホジキン・ハクスリー単一ニューロン モデルのフィッティングにおいて優れたパフォーマンスと速度を達成することを示しています。
さらに、興奮性および抑制性スパイクニューロンの生物学的情報に基づいたネットワークを作業記憶タスクでトレーニングすると、観察された神経活動とシナプスの重み分布を再現することに成功しました。
全体として、私たちの微分可能なマルチスケール シミュレーション アプローチは、電気生理学的、解剖学的、および行動スケールにわたる神経科学データの橋渡しをするための有望なツールを提供します。

要約(オリジナル)

We present a multi-scale differentiable brain modeling workflow utilizing BrainPy, a unique differentiable brain simulator that combines accurate brain simulation with powerful gradient-based optimization. We leverage this capability of BrainPy across different brain scales. At the single-neuron level, we implement differentiable neuron models and employ gradient methods to optimize their fit to electrophysiological data. On the network level, we incorporate connectomic data to construct biologically constrained network models. Finally, to replicate animal behavior, we train these models on cognitive tasks using gradient-based learning rules. Experiments demonstrate that our approach achieves superior performance and speed in fitting generalized leaky integrate-and-fire and Hodgkin-Huxley single neuron models. Additionally, training a biologically-informed network of excitatory and inhibitory spiking neurons on working memory tasks successfully replicates observed neural activity and synaptic weight distributions. Overall, our differentiable multi-scale simulation approach offers a promising tool to bridge neuroscience data across electrophysiological, anatomical, and behavioral scales.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google