Гибридные подходы и моделирование активности человеческого мозга

Традиционный подход к моделированию человеческого мозга предполагает использование современных вычислительных устройств с последовательным наращиванием их мощностей до допустимого уровня. Альтернативой ему служит гибридное решение, основывающееся на концепции нейроморфных вычислений и представляющее собой комбинацию искусственных нейронных сетей, работающих на специально сконструированных для задачи аппаратных решениях. Особенности конструкции предполагают воспроизведение механизмов работы человеческого мозга, а созданные на их основе вычислительные устройства обеспечивают поддержку работы нейронных сетей. Существующие вычислительные модели мозга требуют значительного времени на обработку данных даже при запуске на суперкомпьютерах и в настоящее время не способны работать в режиме реального времени. Поскольку человеческий мозг состоит из двух полушарий, работающих и выполняющих разные функции, подход на основе комбинирования аналоговых и цифровых систем в единое архитектурное решение выглядит перспективно. Описанию результатов исследований человеческого мозга и его активности как основы для построения гибридных вычислительных систем и методам работы с ними и посвящена данная работа.

нейроинформатика, вычислительная нейробиология, высокопроизводительные вычисления, моделирование человеческого мозга, neuroinformatics, computational neuroscience high performance computing, brain modelling

1. Thorpe S.J. Spike arrival times: A highly efficient coding scheme for neural networks In Eckmiller, R.; Hartmann, G.; Hauske, G. Parallel processing in neural systems and computers. North-Holland, 1990. pp. 91-94.

2. Kandel, E.; Schwartz, J.; Jessel, T.M. Principles of Neural Science (3rd ed.). Elsevier, 1991.

3. Dayan, Peter; Abbott, L. F. Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. Massachusetts Institute of Technology Press, 2001.

4. Broad Agency Announcement. Systems of Neuromorphic Adaptive Plastic Scalable Electronics. DAR-PA-BAA, 2008.- https://www.fbo.gov/download/ 0b6/0b62b2149395d4bd8a28dff1b9046944/BAA08-28.doc

5. The Human Brain Project. A Report to the European Commission. - https://ec.europa.eu/research/ participants/portal/doc/call/h2020/fetflag-1-2014/1595110-6pilots-hbp-publicreport_en.pdf

6. Yasuhiro Mochizuki, Shigeru Shinomoto. Analog and digital codes in the brain. Department of Physics, Kyoto University, Kyoto 606-8502, Japan, 2013. - http://arxiv.org/pdf/1311.4035v1.pdf

7. Tayfun Gokmen, Yurii Vlasov. Acceleration of Deep Neural Network Training with Resistive Cross-Point Devices. IBM T. J. Watson Research Center. - https://arxiv.org/ftp/arxiv/papers/ 1603/1603.07341.pdf

8. Jonas Gomes Filho, Marius Strum, and Wang Jiang Chau. Using Genetic Algorithms for Hardware Core Placement and Mapping in NoC-Based Reconfigurable Systems - International Journal of Reconfigurable Computing, vol. 2015.

9. Lightning Memory-Mapped Database (LMDB) - https://en.wikipedia.org/wiki/Lightning_Memory-Mapped_Database

10. Arnon Amir, Pallab Datta, William P. Risk, Andrew S. Cassidy, Jeffrey A. Kusnitz, Steve K. Esser, Alexander Andreopoulos, Norm Pass, Dharmendra S. Modha. Cognitive Computing Programming Paradigm: A Corelet Language for Composing Networks of Neurosynaptic Cores. IBM Research -http://www.research.ibm.com/software/IBMResearch/ multimedia/IJCNN2013.corelet-language.pdf

11. Wasserman L., Ananiev N., Wasserman E., Ivanov M., Mazo G., Neznanov N., Gorelik A., Yezhova R., Ershov B., Sorokina A., Yanushko M. Neurocognitive Deficits and Depressive Disorders: Structural-Functional Approach in Comparative Multivariate Researches. V.M. Bekhterev Revue of Psychiatry and Medical Psychology. 2013. № 4. P. 58-67.

12. Wasserman L., Ananieva N., Gorelik A., Yezhov R., Ershov B., Lipatov L., Folomeeva K., Chuikova A. Affective-Cognitive Disorders: Research Methology Of Structural And Functional Relationship On Temporal Lobe Epilepsy Model. Bulletin of South Ural State University. Serie: Psychology. 2013. T. 6. № 1. P. 67-71.

13. Kissin M., Ananieva N., Shmeleva L., Yezhov R. Features of Neuromorphology of Anxiety and Depressive Disorders in Temporal Lobe Epilepsy. V.M. Bekhterev Revue of Psychiatry and Medical Psychology. 2012. № 2. P. 11-17.