Նրա գրասենյակներ : Yichen Zhang Gan He Lei Ma Xiaofei Liu J. J. Johannes Hjorth Alexander Kozlov Yutao He Shenjian Zhang Jeanette Hellgren Kotaleski Yonghong Tian Sten Grillner Kai Du Tiejun Huang Նրա գրասենյակներ : Բրիտանիա Zhang Գնացրեք Լի Մա Հիմնական հոդվածներ J. J. Johannes Hjorth Վիքիպահեստում Alexander Kozlov Վիքիպահեստում Հիմա նա Shenjian Zhang Վիքիպահեստում Jeanette Hellgren Կատալսիկ Հիմնական հոդվածներ Բրիտանիա Երբ դուք Բրիտանիա Huang Ապրիլ Biophysically մանրամասն multi-compartment մոդելներ են հզոր գործիքներ է ուսումնասիրել մանրամասն մոդելների բջջային եւ նաեւ ծառայել որպես իմանալական սարքավորումներ generating algorithms for artificial intelligence (AI) համակարգերի. Սակայն, ծախսական մանրամասն ծախսերը հզորորեն սահմանում է օգտագործման, այնպես էլ neuroscience եւ AI fields. The հիմնական բովանդակությունը, երբ մանրամասն մոդելների մանրամասն է հզորությունը մանրամասն մանրամասների մեծ համակարգերի լուծելու. Այստեղ, մենք առաջարկում ենք նորը Հիմնական Հիմնական Այս GPU- ի հիմնված մեթոդը կատարում է 2-3 չափով բարձր արագությամբ, քան պլաստիկ Series Hines- ի մեթոդը պլաստիկ CPU պլաստիկում: Մենք կառուցում ենք DeepDendrite մոդել, որը ներգրավում է DHS- ի մեթոդը եւ NEURON- ի մոդելային GPU մեթոդը եւ ցույց է տալիս DeepDendrite- ի օգտագործման համար neuroscience գործիքներում: Մենք հետազոտում ենք, թե ինչպիսիք են պլաստիկ Hines- ի մեթոդի պլաստիկ Hines- ի բաղադրիչները, որոնք ազդում են neuronal բաղադրիչությունը 25,000 spines- ի մոդելում: Բացի այդ, մենք ապահովում ենք DeepDendrite- ի բաղադրիչի հզորությունը AI- ի համար D H S Հիմնական Արդյոք, թե ինչպե՞ս կարող եք ստանալ սխալը, թե ինչպե՞ս կարող եք ստանալ սխալը, թե ինչպե՞ս կարող եք ստանալ սխալը: , որտեղ neurons տեսվել են որպես պարզ բաղադրիչներ, դեռ լայնորեն օգտագործվում է բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բաղադրիչների բ Այնուամենայնիվ, լրացուցիչ միասնական հաշվարկման համար միասնական ռեժիմի մակարդակում, subcellular սարքավորումներ, ինչպիսիք են neuronal dendrites, կարող են նաեւ կատարել nonlinear գործառույթներ, քանի որ ինտերնետային հաշվարկման միավորներ: , , , , Բացի այդ, dendritic spines, փոքր բաղադրիչներ, որոնք խոշորորեն ներառում dendrites in spiny neurons, կարող են compartmentalize synaptic Signals, որը թույլ է տալիս նրանց կախված են իրենց ծնող dendrites ex vivo եւ in vivo , , , . 1 2 3 4 5 6 7 8 9 10 11 Ապրանքներ, որոնք օգտագործում են biologically detailed neurons- ը, ապահովում են իմանալական սարքավորումներ, որոնք կապում են biological details- ից computable principles- ից: The core of the biophysically detailed multi-compartment model framework , Մենք կարող ենք մոդել neurons with realist dendritic morphologies, intrinsic ionic conductance, and extrinsic synaptic inputs.The բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած բաղկացած , որը մոդելում է dendrites- ի biophysical membrane գործառույթները, քանի որ նստակային մետաղադրամներ, ապահովելով մետաղական նկարագրություն, թե ինչպես էլեկտրոնային մետաղադրամները ներսում են եւ պլանավորում են ամբողջ պլաստիկ neuronal գործընթացների միջոցով: Մետաղադրամը ներսում է մետաղադրամների մետաղադրամներ, ինչպիսիք են ion channels, excitatory եւ inhibitory synaptic currents, եւ այլն, մի մետաղադրամների մետաղադրամը կարող է հասնել cellular եւ subcellular neuronal մետաղադրամներ ավելի քան փորձնական սահմանափակները: , . 12 13 12 4 7 Բացի իր խոշոր ազդեցության neuroscience- ում, biologically մանրամասն neuron մոդելներ վերջին ժամանակը օգտագործվել են բջջային սխալների եւ biophysical մանրամասների եւ AI- ի միջեւ սխալը: Հիմնական տեխնոլոգիան ժամանակակից AI- ի տարածքում է ANN-ները, որոնք ներառում են point neurons- ում, ինչպես նաեւ biological neural networks- ում: Երբ ANN-ները հետ "backpropagation-of-error" (backprop) ալբորմատոմսը հասանելի են մեծ կատարումը մասնագիտացված ծրագրերի մեջ, նույնիսկ կախված են Top human professional players- ում Go- ում եւ chess- ում , Մարդկային բարդը դեռ ավելի հզոր է, քան ANN-ները, որոնք ներառում են ավելի հզոր եւ հզոր միջավայրում: , Հիմնական ուսումնասիրություններ ցույց են տալիս, որ dendritic ինտեգրման կարեւոր է արտադրել արդյունավետ ուսուցման ալբյատոմսերը, որոնք կարող են վերցնել backprop է parallel տեղեկատվության մշակման , , Բացի այդ, մեկ մանրամասն multi-compartment մոդել կարող է սովորել ցանցի մակարդակի nonlinear calculations for point neurons by adjusting only the synaptic strength , Ահա թե ինչու է, թե ինչու է, թե ինչու է, թե ինչու է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է, թե ինչ է 14 15 16 17 18 19 20 21 22 Հիմնական մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդելային մոդել , , Հիմնական Hines- ի մեթոդը նվազեցնում է O(n3)- ից O(n) - ում լուծելու ժամանակը, որը լայնորեն օգտագործվում է որպես հիմնական ալբորատոմս, ինչպիսիք են Neuron- ը: Հիմնական Genesis Այս մեթոդը օգտագործում է մի սերտիֆիկ մետաղադրամը, որպեսզի յուրաքանչյուր սերտիֆիկը փաթեթավորվել է սերտիֆիկորեն: Երբ մետաղադրամը ներառում է բազմաթիվ biophysically մանրամասն dendrites հետ dendritic spines, linear equation matrix (“Hines Matrix”) ծախսեր, ինչպես նաեւ ավելի շատ dendrites կամ spines (տեսանյութ) ), ինչպիսիք Hines- ի մեթոդը ավելի շատ անսահմանափակ է, քանի որ դա մի մեծ բուժում է ամբողջ մոդելում: 12 23 24 25 26 1 E Մի վերլուծված 5-րդ փոշինային neuron մոդել եւ մետաղական մոդել, որը օգտագործվում է մետաղական մոդելների հետ: Արդյոք, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն. Հիմնական օրինակը Linear Equations- ում. Hines- ի մեթոդի տվյալների կախվածությունը, երբ լուծում է գծային սխալները Արդյոք Hines- ի մեթոդների չափը մոդելային հարմարավետության հետ: Մոդելների ավելի մանրամասների հետ, որոնք պետք է լուծվել, մոդելների քանակը շատ ավելի մեծ է: Computational ծախսերը (հարկերի լուծման փուլում կատարված քայլեր) serialized Hines մեթոդի տարբեր տեսակի neuron մոդելների. Արդյոք, ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են: Տեղադրման գինը երեք մեթոդների վրա Երբ պետք է լուծել piramidal մոդել հետ ճնշման. Հիմնական ժամանակը ցույց է տալիս, որ ժամանակը 1 s- ի սմարթացիոնի ժամանակը (լուծում է սմարթացիոնը 40,000 անգամ 0.025 ms- ի ժամանակը): p-Hines- ի parallel մեթոդը CoreNEURON- ում (GPU- ում), Branch-based parallel մեթոդի վրա (GPU- ում), DHS- ի Dendritic հիերֆիկական պլանավորման մեթոդը (GPU- ում). a b c d c e f g h g i Հաջորդ տարիների ընթացքում, մեծ արագություն ստացել է Hines- ի մեթոդը, օգտագործելով parallel մեթոդներ բջջային մակարդակի վրա, որը թույլ է տալիս parallelize υπολογation տարբեր մասերի յուրաքանչյուր բջջային , , , , , Այնուամենայնիվ, current cellular-level parallel methods often lack an efficient parallelization strategy or lack sufficient numerical accuracy as compared to the original Hines method. 27 28 29 30 31 32 Այսպիսով, մենք ստեղծում ենք բոլորովին ավտոմատ, թվային ճշգրիտ, եւ optimized սմարթացիոն գործիք, որը կարող է մեծապես արագացնել սմարթացիոն արդյունավետությունը եւ նվազեցնել սմարթացիոն ծախսերը: Բացի այդ, այս սմարթացիոն գործիքը կարող է հարմարավետորեն օգտագործվել է ստեղծել եւ փորձել սմարթացիոն ցանցեր, որոնք բնական մոդելային ուսուցման եւ AI ծրագրերի համար: Հիմնականորեն, մենք ձեւավորում ենք Hines- ի parallel calculation- ը որպես քիմիական սմարթացիոն խնդիրը եւ ստեղծում ենք Dendritic Hierarchical Scheduling (DHS) մեթոդը, որը հիմնված է combinatorial optimization- ի վրա: Parallel Computing Theory-ի մասին Մենք ցույց ենք տալիս, որ մեր ալբորմատոմսը ապահովում է օպտիմալ պլանավորումը, առանց ցանկացած ճշգրիտության վարձակման: Բացի այդ, մենք optimized DHS- ը այժմ ամենամեծ GPU պլանավորման համար, օգտագործելով GPU մանրամասնությունը եւ մանրամասն accessing մեխանիզմներ: Շնորհակալություն, DHS- ը կարող է արագացնել մանրամասնությունը 60-1,500 անգամ: ) compared to the classic simulator Neuron- ի հետ Միեւնույն ճշգրիտությունը. 33 34 1 25 Երբ մենք կարող ենք օգտագործել Dendritic Simulations- ը AI- ում, ապա մենք ստեղծում ենք DeepDendrite- ը, ինչպես նաեւ DHS- ի ներգրավված CoreNEURON- ի (NERON- ի համար optimized compute engine) պլատֆորմը: Քանի որ DeepDendrite- ը աշխատում է GPU- ի սարքի պլատֆորմացիայի վրա, որը աջակցում է երկու օգոստային մոդուլներ (I/O մոդուլ եւ ուսուցման մոդուլ), որոնք աջակցում են dendritic ուսուցման ալբորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆորմատֆ 35 Հաջորդը, մենք նաեւ առաջարկում ենք բազմաթիվ ծրագրեր, որոնք օգտագործում են DeepDendrite- ում, որոնք նպատակում են մի քանի կարեւոր խնդիրներ neuroscience- ում եւ AI- ում: (1) Մենք ցույց ենք տալիս, թե ինչպես dendritic spine inputs- ի տարածքի մոդելները ազդում են neuronal գործառույթներին, որոնք ներառում են dendritic թրթերը (full-spine մոդելներ): DeepDendrite- ը թույլ է տալիս մեզ հետազոտել neuronal calculation- ում մոդելված human pyramidal neuron model- ում ~25,000 dendritic spines- ի հետ: (2) Ապրիշում մենք նաեւ կարծում ենք DeepDendrite- ի հնարավորությունը AI- ի ինտերնետում, հատկապես, այն մասին, որ ANN-ները ստեղծում են morph DeepDendrite- ի բոլոր սեղանային կոդը, full-spine մոդելները եւ մանրամասն dendritic ցանցային մոդելները բացառապես հասանելի են առցանց (լուսանկար Code Availability): Մեր open-source ուսուցման սարքավորումներ կարող են հեշտությամբ ինտեգրվել այլ dendritic ուսուցման մոդելների հետ, ինչպիսիք են nonlinear (full-active) dendrites- ի ուսուցման մոդելներ Պլաստիկ պլաստիկություն (burst-dependent synaptic plasticity) , եւ սովորելու հետ spike prediction Շատում, մեր ուսումնասիրությունը ապահովում է ամբողջական գործիքների մի շարք, որոնք կարող են փոխել current computing neuroscience համաշխարհային էլեկտրոնային համակարգը: Պահպանելով GPU computing- ի հզորությունը, մենք տեսնում ենք, որ այդ գործիքները կօգնեն համակարգի մակարդակի ուսումնասիրությունները computing- ի բնական կառուցվածքի համակարգերի, ինչպես նաեւ օգնել neuroscience- ի եւ आधुनिक AI- ի հետազոտությունը: 21 20 36 Ապրանքներ Dendritic Hierarchical Scheduling (DHS) մեթոդը Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված Հետեւաբար, լուծում linear սերտիֆիկները կունենա վերադառնալը բաղադրիչը parallelization գործընթացում (Fig. Ավելի 37 1a–F Այս բաղադրիչի լուծելու համար, բջջային մակարդակի parallel մեթոդներ մշակվել են, որոնք արագացնել են մեկ բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջջային բջջային բջջային բջջջային բջջային բջջջային բջջջային բջջջային բջջջային բջջջային բջջջային բջջջային բջջջային բջջային բջջջային բջջջային բ , , Սակայն, այդ մեթոդները մեծապես հիմնված են նախնական գիտության վրա, որպեսզի արտադրել գործառույթներ, թե ինչպես կտրել մի միմյանցային սերտիֆիկը սերտիֆիկների (Fig. • Ապրիշային փաթեթը. Այսպիսով, դա ավելի հզոր է asymmetric morphologies neurons, ինչպիսիք են pyramidal neurons եւ Purkinje neurons. 27 28 38 1 գ 1 Մենք ցանկանում ենք արտադրել ավելի արդյունավետ եւ ճշգրիտ parallel մեթոդ է մոդելում biologically մանրամասն neuronal ցանցեր. Առաջին, մենք ստեղծում ենք ստանդարտները ճշգրտության բջջային մակարդակի parallel մեթոդի. Բարձրորեն հիմնված է սերտիֆիկայի parallel computing , մենք առաջարկում ենք երեք պայմաններ, որոնք ապահովում են, որ մի parallel մեթոդը կարող է արտադրել նույն լուծումներ, ինչը serial computing Hines մեթոդը, ըստ data dependence- ի Hines մեթոդում (լուսանկարներ) 34 Հիմնականում սմարթացի ճշգրիտությունը եւ բուժման ծախսերը, մենք ձեւավորում ենք parallelization խնդիրը, քանի որ մի մետաղական սմարթացիոն խնդիրը (լուսանկարներ: Methods). Բարձրագույն բաղադրիչները կարող են բաղադրել առավելագույն Մենք պետք է ապահովենք, որ մի կոճակը բուժվում է միայն այն ժամանակ, երբ բոլոր իր երեխաների կոճակները բուժված են: Մեր նպատակն է գտնել պլաստիկը, որը պետք է բուժել ամենամեծ քանակը կոճակների ամբողջ գործընթացում: k k Հիմնական հարցը, թե ինչպես պետք է ստանալ Dendritic Hierarchical Scheduling- ը (DHS) DHS- ի մեթոդը ներառում է երկու քայլներ: ալյումում է dendritic topology- ը եւ գտնում է լավագույն փաթեթը: (1) Երբ մոդելը մատակարարվում է, մենք առաջին անգամ ստանում ենք իր հարմարեցված բուժման փաթեթը եւ բուժում ենք յուրաքանչյուր կետի լայնությունը (լայնությունը մի կետը այն է, որ իր նախորդ կետներ են): ) (2) Topology analytics- ից հետո, մենք փնտրում ենք Kandidates- ից եւ ընտրում ենք առավելագույն Հիմնական հարցը, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն: Ավելի 2A 2B եւ C k 2D DHS գործառույթները, DHS գործառույթները Լավագույն կլանտորը կլանձում է ամենը. Տեսանյութը առաջին անգամ փոխարինվում է փոշի կառուցվածքի վրա, ապա բաղադրված է յուրաքանչյուր կոճի լայնությունը: Գույնները ցույց են տալիս տարբեր լայնության արժեքները: Տպագրություն վերլուծություն տարբեր neuron մոդելերի վրա: Այստեղ ցույց է տալիս, որ 6 մոդելներ են տարբեր մոդելերի հետ: Բոլոր մոդելների համար, soma-ը ընտրվում է որպես խոշորը, այնպես որ կոճի խոշորությունը աճում է soma- ից (0) մինչեւ distal dendrites- ից: Դիմում է DHS- ի կատարման մոդելը Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված՝ Հիմնական հոդված Արդյոք, ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են, թե ինչպիսիք են: Հասկածության պլաստիկը, որը ստացել է DHS- ի հետո DHS- ը կտրում է մի քանի սերվային սերվերի բուժման քայլերը 14- ից 5- ից, քանի որ կտրում է մի քանի սերվերի համար: Relative Cost- ը, ինչպիսիք են DHS- ի թվային ծախսերի հարմարությունը Hines- ի մեթոդի հետ, երբ DHS- ը տարբեր տեսակի մոդելերի վրա տարբեր տոմսերի համար օգտագործվում է: a k b c d b k e d f Տեսեք մի հեշտացված մոդել 15 կատեգորիաների համար, օգտագործելով serial computing Hines մեթոդը, այն պետք է 14 կատեգորիաների բոլոր կատեգորիաների մշակման համար, իսկ օգտագործելով DHS- ը, որը կատեգորիաներ կատեգորիաներ կատեգորիաներ կատեգորիաներ կատեգորիաներ կատեգորիաներ կատեգորիաներ (տեսանյութ) «Ինչու՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է: Ավելի 2D 2 E Հաջորդը, մենք օգտագործում ենք DHS- ի մեթոդը 6 արտադրական մոդելների համար (հարկված ModelDB- ից) ) տարբեր թվերի համար (Fig. ):, ներառում cortical եւ hippocampal piramidal neurons , , Cerebellar Purkinje Neurons- ը Striatal Projektion Neurons (SPN) - Նրաձայնային ռեժիմներ ), եւ ախտորատոր խողովակների mitral բջջային բջջային , որը ներառում է հիմնական հիմնական սերունդները սերունդային, cortical եւ subcortical տարածքներում: Մենք ապա չափել ենք սերունդային ծախսերը: Հիմնական սերունդային ծախսերը այստեղ սահմանվում են DHS- ի սերունդային ծախսերի համեմատությամբ սերունդային Hines- ի մեթոդի հետ: Գերունդային ծախսերը, ինչպիսիք են, սերունդային ծախսերի լուծման համար տպագրված քայլերի քանակը, լայնորեն կանգնվում են, քանի որ սերունդային մանրամասները աճում են: Օրինակ, 16 սերունդների հետ, DHS- ի սերունդային ծախսը 7%-10% է, համեմատաբար սերունդային Hines- ի մեթոդ ), որը ցույց է տալիս, որ ավելացնել ավելի մետաղեր չի բարելավում կատարումը ավելին, քանի որ սարքավորումներների միջեւ բուժման. 39 2f 40 41 42 43 44 45 2F Մենք միասին արտադրում ենք DHS մեթոդ, որը թույլ է տալիս ավտոմատ վերլուծման dendritic topology եւ օպտիմալ բաժանման parallel computing. Դա հավատում է, որ DHS գտնում է օպտիմալ բաժանման առաջ մոդելային սկսելու, եւ ոչ մի լրացուցիչ հաշվարկման անհրաժեշտ է լուծել սխալները. GPU Memory Boost- ի միջոցով DHS- ի արագությունը DHS- ը բուժում է յուրաքանչյուր սերտիֆիկը բազմաթիվ սերտիֆիկների հետ, որոնք օգտագործում են մեծ քանակը սերտիֆիկների ժամանակ, երբ սերտիֆիկային ցանցային սմարթները աշխատում են: Graphics Processing Units (GPUs) ներառում են մեծ քանակի բուժման սերտիֆիկների (հարկե, Streaming Processors, SPs, Fig. (տեսանյութ) Փոխանցային համակարգչի համար Հիմնականում, GPU- ի բազմաթիվ SP- ները պետք է աջակցում են արդյունավետ մոդելությունը մեծ քանակի սերտիֆիկային ցանցերի համար (Fig. Սակայն, մենք համոզված ենք, որ DHS- ի արդյունավետությունը չափազանց նվազեցվել է, երբ ցանցային չափը աճել է, որը կարող է լինել ծախսված տվյալների մատակարարման կամ լրացուցիչ մանրաձայնային հասանելիության արդյունքների բեռնելը եւ գրառումը (Fig. Արդյոք (տեսանյութ) 3A եւ B 46 3c 3D GPU- ի դիզայնը եւ սմարթֆորմը: Բոլոր GPU-ները ներառում են խոշոր processing միավորներ (լուսանկարներ) եւ տարբեր տեսակի սմարթֆորմերը տարբեր են: Մեկ SM-ը ներառում է բազմաթիվ Streaming Processors, Registers եւ L1 Cache- ը: Հիմնական հարցը, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն: Հիմնական տեղեկատվությունը, որը կարող է իրականացվել, կարող է գտնել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել, թե ինչպես պետք է ստեղծել. Արդյոք, թե ինչու՞ն է այն, թե ինչու՞ն է, թե ինչու՞ն է, թե ինչու՞ն է, թե ինչու՞ն է, թե ինչու՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է, թե՞ն է: DHS (32 մետաղեր յուրաքանչյուր մետաղի) հետ եւ առանց մանրամասների բարելավման հետ մի քանի փոշի 5 պրիմայական մոդելերի հետ պտուտակներ: Բարձրացրեք մանրամասների բարձրացումը ավելի քան 5 փոշի մանրամասների հետ: Մանրամասների բարձրացումը 1.6-2 անգամ բարձրացվում է: a b c d d e f Մենք լուծում ենք այս խնդիրը GPU memory boosting- ի միջոցով, որը մեթոդ է բարձրացնել memory throughput- ը GPU- ի memory- ի սերտիֆիկայի եւ access- ի մեքենաների օգտագործման միջոցով: GPU- ի memory loading- ի մեխանիզմից հիմնվածում, սերտիֆիկի ուղեցույցները, որոնք բեռնում են հարմարեցված եւ սարքավորված տվյալները, առաջանում են բարձր memory throughput- ից, քան բեռնում են scatter- ի բեռնել տվյալները, որը նվազեցնում է memory throughput- ը: , Երբ մենք ստանում ենք բարձր մատակարարման, մենք առաջինը մատակարարել մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարարման մատակարար Բացի այդ, փորձերը մի քանի թվերի piramidal neurons հետ spines եւ տպագրական neuron մոդելներ (Fig. • Ապրիշային փաթեթը. ) ցույց են տալիս, որ memory boosting- ը հասկանում է 1.2-3.8 անգամ արագություն, քան հին DHS- ի հետ: 46 47 3D 3 E, F 2 DHS- ի գործառույթը GPU- ի մանրամասների բարելավման միջոցով ստուգելու համար, մենք ընտրում ենք 6 տպավոր neuron մոդելներ եւ գնահատում ենք սեղմման ժամանակը սեղմելու մանրամասների մանրամասների համար յուրաքանչյուր մոդելում (տեսանյութ) Մենք ստուգել DHS- ում 4 մետաղադրամներ (DHS-4) եւ 16 մետաղադրամներ (DHS-16) յուրաքանչյուր մետաղադրամի համար, masing-masing: Հասկած CoreNEURON- ի GPU- ի մեթոդով, DHS-4- ը եւ DHS-16- ը կարող են արագացնել մոտ 5 եւ 15 անգամ, masing-masing. ) Բացի այդ, համեմատաբար ստանդարտ Serial Hines մեթոդով NEURON- ում, որը աշխատում է CPU- ի միակ մետաղի հետ, DHS- ը արագ է արագեցնում սմարթացիոնը 2-3 մետաղի չափով (Ապահեստական սմարթ. ), while retaining the identical numerical accuracy in the presence of dense spines (Supplementary Figs. եւ Արդյունաբերական բաղադրիչները (Supplementary Fig. ) եւ տարբեր սերտիֆիկային պլաստակներ (Supplementary Fig. Ավելի 4 4A 3 4 8 7 7 Հիմնական ժամանակը լուծելու սխալների համար 1 s մոդելում GPU- ում (dt = 0.025 ms, 40,000 iterations total). CoreNEURON: Հիմնական ժամանակը, որը օգտագործվում է CoreNEURON- ում: DHS-4: DHS- ը մեկի համար 4 մետաղեր: DHS-16: DHS- ը մեկի համար 16 մետաղեր: Հիմա Visualization of the partition by DHS-4 and DHS-16, each color indicates a single thread. During computation, each thread switches among different branches. a b c DHS- ը ստեղծում է cell-type-specific optimal partitioning- ը DHS մեթոդի աշխատանքի մեխանիզմը ստանալով, մենք տեսել ենք փաթեթավորման գործընթացը փաթեթավորելով փաթեթավորումներ յուրաքանչյուր մետաղի համար (հարկե, յուրաքանչյուր մետաղը ներկայացնում է մի մետաղի մետաղի վրա). ) Տեսագրությունը ցույց է տալիս, որ մեկ մետաղը հաճախ փոխանցում է տարբեր մետաղների միջեւ (Fig. Արդյոք, DHS- ը արտադրում է հարմարեցված բաժակներ morphologically symmetric neurons, ինչպիսիք են striatal projektion neuron (SPN) եւ mitral cell (Fig. Ահա, որ այն ստեղծում է fragmented partitions of morphologically asymmetric neurons like the pyramidal neurons and Purkinje cell (Տեսանյութ) ), որը ցույց է տալիս, որ DHS- ը կտրում է սենյակումային խոշորը individual compartment scale- ում (հարկե, tree node- ում), այլեւ branch scale- ում: Այս cell-type-specific fine-grained partition- ը թույլ է տալիս DHS- ն ամբողջությամբ օգտագործել բոլոր հասանելի մետաղեր: 4B եւ C 4B եւ C 4B եւ C 4B եւ C Հիմնականում, DHS- ը եւ սմարթֆիլմը արտադրում են ստանդարտ լուծում, որը ստանդարտորեն ստանդարտվում է գեներատիվ սմարթֆիլմների լուծման համար, ինչպես նաեւ անսահմանափակ արդյունավետության համար: Մենք օգտագործում ենք այս ռեժիմը: Մենք կառուցել ենք Open-Access DeepDendrite պլատֆորմը, որը կարող է օգտագործվել neuroscientists- ի կողմից մոդելների տեղադրման համար, առանց որոշակի GPU- ի ծրագրագրության գիտելիքների: Հաջորդում, մենք ցույց ենք տալիս, թե ինչպես մենք կարող ենք օգտագործել DeepDendrite- ը սմարթֆիլմների համար: Մենք նաեւ խոսում ենք DeepDendrite պլատֆորմի հնարավորությունները AI- ի հետ կապված աշխատանքների համար: DHS- ը թույլ է տալիս spine-level մոդելություն Երբ dendritic spines ստանում են մեծ մասը excitatory input cortical եւ hippocampal piramidal neurons, striatal projektion neurons, եւ այլն, նրանց morphologies եւ պլաստիկությունը կարեւոր է վերահսկելու neuronal excitability , , , , «Ինհարկե, թռիչքները շատ փոքր են (~ 1 μm երկարություն), որ կարող են ուղղակիորեն մանրամասվել փորձնական ձեւով լարման-կախված գործընթացների մասին: Այսպիսով, գիտական աշխատանքը կարեւոր է թռիչքների մանրամասների ամբողջական գիտելիքի համար: 10 48 49 50 51 Մենք կարող ենք մոդել մի միավոր փոշի երկու կատեգորիաների հետ: փոշի կատեգորիան, որտեղ synapses գտնվում են, եւ փոշի կատեգորիան, որը կապում է փոշի կատեգորիան եւ dendrites The theory predicts that the very thin spinal neck (0.1-0.5 micron in diameter) electronically isolates the spinal head from its parent dendrite, այնպես որ compartmentalizing the signals generated at the spinal head «Այս ամենը, ինչ պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է պետք է. Spine գործառույթ Արդյոք, այնպես էլ, որ բոլոր սերտիֆիկները բացահայտված են: Այստեղ, Spine Factor- ը ցանկանում է հարմարեցնել գլուխի ազդեցությունը կլուխի մլուխի biophysical հատկանիշներին: . 52 53 F 54 F 54 Inspired by the previous work of Eyal et al. , we investigated how different spatial patterns of excitatory inputs formed on dendritic spines shape neuronal activities in a human pyramidal neuron model with explicitly modeled spines (Fig. ). Noticeably, Eyal et al. employed the spine factor to incorporate spines into dendrites while only a few activated spines were explicitly attached to dendrites (“few-spine model” in Fig. ). The value of spine in their model was computed from the dendritic area and spine area in the reconstructed data. Accordingly, we calculated the spine density from their reconstructed data to make our full-spine model more consistent with Eyal’s few-spine model. With the spine density set to 1.3 μm-1, the pyramidal neuron model contained about 25,000 spines without altering the model’s original morphological and biophysical properties. Further, we repeated the previous experiment protocols with both full-spine and few-spine models. We use the same synaptic input as in Eyal’s work but attach extra background noise to each sample. By comparing the somatic traces (Fig. ) and spike probability (Fig. ) in full-spine and few-spine models, we found that the full-spine model is much leakier than the few-spine model. In addition, the spike probability triggered by the activation of clustered spines appeared to be more nonlinear in the full-spine model (the solid blue line in Fig. ) than in the few-spine model (the dashed blue line in Fig. ). These results indicate that the conventional F-factor method may underestimate the impact of dense spine on the computations of dendritic excitability and nonlinearity. 51 5A F 5a F 5b, c 5d 5d 5d Տեղադրում ենք երկու հիմնական տեսակի մոդելներ: քիչ-մոտական մոդելներ եւ քիչ-մոտական մոդելներ: քիչ-մոտական մոդելներ (մոտական մոդելներ) են մոդելներ, որոնք ներառում են քիչ-մոտական տարածք ամբողջ աշխարհում dendrites եւ միայն ներառում են միավոր spines հետ aktivated synapses. In քիչ-մոտական մոդելներ (մոտական մոդելներ) բոլոր spines բացառապես ներառում են ամբողջ dendrites. Մենք ուսումնասիրում ենք ազդեցություններ clustered եւ randomly ներառում synaptic մոդելների քիչ-մոտական մոդելների եւ քիչ-մոտական մոդելների, masing-masing. Somatic voltages recorded for cases in . Colors of the voltage curves correspond to , scale bar: 20 ms, 20 mV. Color-coded voltages during the simulation in at specific times. Colors indicate the magnitude of voltage. Somatic spike probability as a function of the number of simultaneously activated synapses (as in Eyal et al.’s work) for four cases in . Background noise is attached. Run time of experiments in with different simulation methods. NEURON: conventional NEURON simulator running on a single CPU core. CoreNEURON: CoreNEURON simulator on a single GPU. DeepDendrite: DeepDendrite on a single GPU. a b a a c b d a e d In the DeepDendrite platform, both full-spine and few-spine models achieved 8 times speedup compared to CoreNEURON on the GPU platform and 100 times speedup compared to serial NEURON on the CPU platform (Fig. ; Supplementary Table ) while keeping the identical simulation results (Supplementary Figs. եւ ). Therefore, the DHS method enables explorations of dendritic excitability under more realistic anatomic conditions. 5e 1 4 8 Discussion In this work, we propose the DHS method to parallelize the computation of Hines method and we mathematically demonstrate that the DHS provides an optimal solution without any loss of precision. Next, we implement DHS on the GPU hardware platform and use GPU memory boosting techniques to refine the DHS (Fig. ). When simulating a large number of neurons with complex morphologies, DHS with memory boosting achieves a 15-fold speedup (Supplementary Table ) as compared to the GPU method used in CoreNEURON and up to 1,500-fold speedup compared to serial Hines method in the CPU platform (Fig. • Ապրիշային փաթեթը. and Supplementary Table ). Furthermore, we develop the GPU-based DeepDendrite framework by integrating DHS into CoreNEURON. Finally, as a demonstration of the capacity of DeepDendrite, we present a representative application: examine spine computations in a detailed pyramidal neuron model with 25,000 spines. Further in this section, we elaborate on how we have expanded the DeepDendrite framework to enable efficient training of biophysically detailed neural networks. To explore the hypothesis that dendrites improve robustness against adversarial attacks , we train our network on typical image classification tasks. We show that DeepDendrite can support both neuroscience simulations and AI-related detailed neural network tasks with unprecedented speed, therefore significantly promoting detailed neuroscience simulations and potentially for future AI explorations. 55 3 1 4 3 1 56 Decades of efforts have been invested in speeding up the Hines method with parallel methods. Early work mainly focuses on network-level parallelization. In network simulations, each cell independently solves its corresponding linear equations with the Hines method. Network-level parallel methods distribute a network on multiple threads and parallelize the computation of each cell group with each thread , . With network-level methods, we can simulate detailed networks on clusters or supercomputers . In recent years, GPU has been used for detailed network simulation. Because the GPU contains massive computing units, one thread is usually assigned one cell rather than a cell group , , . With further optimization, GPU-based methods achieve much higher efficiency in network simulation. However, the computation inside the cells is still serial in network-level methods, so they still cannot deal with the problem when the “Hines matrix” of each cell scales large. 57 58 59 35 60 61 Cellular-level parallel methods further parallelize the computation inside each cell. The main idea of cellular-level parallel methods is to split each cell into several sub-blocks and parallelize the computation of those sub-blocks , Սակայն, տպավոր բջիջային մակարդակի մեթոդներ (հարկե, «multi-split» մեթոդը) ) pay less attention to the parallelization strategy. The lack of a fine parallelization strategy results in unsatisfactory performance. To achieve higher efficiency, some studies try to obtain finer-grained parallelization by introducing extra computation operations , , or making approximations on some crucial compartments, while solving linear equations , . These finer-grained parallelization strategies can get higher efficiency but lack sufficient numerical accuracy as in the original Hines method. 27 28 28 29 38 62 63 64 Unlike previous methods, DHS adopts the finest-grained parallelization strategy, i.e., compartment-level parallelization. By modeling the problem of “how to parallelize” as a combinatorial optimization problem, DHS provides an optimal compartment-level parallelization strategy. Moreover, DHS does not introduce any extra operation or value approximation, so it achieves the lowest computational cost and retains sufficient numerical accuracy as in the original Hines method at the same time. Dendritic spines are the most abundant microstructures in the brain for projection neurons in the cortex, hippocampus, cerebellum, and basal ganglia. As spines receive most of the excitatory inputs in the central nervous system, electrical signals generated by spines are the main driving force for large-scale neuronal activities in the forebrain and cerebellum , . The structure of the spine, with an enlarged spine head and a very thin spine neck—leads to surprisingly high input impedance at the spine head, which could be up to 500 MΩ, combining experimental data and the detailed compartment modeling approach , . Due to such high input impedance, a single synaptic input can evoke a “gigantic” EPSP ( ~ 20 mV) at the spine-head level , , thereby boosting NMDA currents and ion channel currents in the spine . However, in the classic single detailed compartment models, all spines are replaced by the coefficient modifying the dendritic cable geometries . This approach may compensate for the leak currents and capacitance currents for spines. Still, it cannot reproduce the high input impedance at the spine head, which may weaken excitatory synaptic inputs, particularly NMDA currents, thereby reducing the nonlinearity in the neuron’s input-output curve. Our modeling results are in line with this interpretation. 10 11 48 65 48 66 11 F 54 On the other hand, the spine’s electrical compartmentalization is always accompanied by the biochemical compartmentalization , , , resulting in a drastic increase of internal [Ca2+], within the spine and a cascade of molecular processes involving synaptic plasticity of importance for learning and memory. Intriguingly, the biochemical process triggered by learning, in turn, remodels the spine’s morphology, enlarging (or shrinking) the spine head, or elongating (or shortening) the spine neck, which significantly alters the spine’s electrical capacity , , , . Such experience-dependent changes in spine morphology also referred to as “structural plasticity”, have been widely observed in the visual cortex , , somatosensory cortex , , motor cortex , hippocampus , and the basal ganglia in vivo. They play a critical role in motor and spatial learning as well as memory formation. However, due to the computational costs, nearly all detailed network models exploit the “F-factor” approach to replace actual spines, and are thus unable to explore the spine functions at the system level. By taking advantage of our framework and the GPU platform, we can run a few thousand detailed neurons models, each with tens of thousands of spines on a single GPU, while maintaining ~100 times faster than the traditional serial method on a single CPU (Fig. ). Therefore, it enables us to explore of structural plasticity in large-scale circuit models across diverse brain regions. 8 52 67 67 68 69 70 71 72 73 74 75 9 76 5e Another critical issue is how to link dendrites to brain functions at the systems/network level. It has been well established that dendrites can perform comprehensive computations on synaptic inputs due to enriched ion channels and local biophysical membrane properties , , . For example, cortical pyramidal neurons can carry out sublinear synaptic integration at the proximal dendrite but progressively shift to supralinear integration at the distal dendrite . Moreover, distal dendrites can produce regenerative events such as dendritic sodium spikes, calcium spikes, and NMDA spikes/plateau potentials , . Such dendritic events are widely observed in mice or even human cortical neurons in vitro, which may offer various logical operations , or gating functions , . Recently, in vivo recordings in awake or behaving mice provide strong evidence that dendritic spikes/plateau potentials are crucial for orientation selectivity in the visual cortex , sensory-motor integration in the whisker system , , and spatial navigation in the hippocampal CA1 region . 5 6 7 77 6 78 6 79 6 79 80 81 82 83 84 85 To establish the causal link between dendrites and animal (including human) patterns of behavior, large-scale biophysically detailed neural circuit models are a powerful computational tool to realize this mission. However, running a large-scale detailed circuit model of 10,000-100,000 neurons generally requires the computing power of supercomputers. It is even more challenging to optimize such models for in vivo data, as it needs iterative simulations of the models. The DeepDendrite framework can directly support many state-of-the-art large-scale circuit models , , , which were initially developed based on NEURON. Moreover, using our framework, a single GPU card such as Tesla A100 could easily support the operation of detailed circuit models of up to 10,000 neurons, thereby providing carbon-efficient and affordable plans for ordinary labs to develop and optimize their own large-scale detailed models. 86 87 88 Recent works on unraveling the dendritic roles in task-specific learning have achieved remarkable results in two directions, i.e., solving challenging tasks such as image classification dataset ImageNet with simplified dendritic networks , and exploring full learning potentials on more realistic neuron , . However, there lies a trade-off between model size and biological detail, as the increase in network scale is often sacrificed for neuron-level complexity , , . Moreover, more detailed neuron models are less mathematically tractable and computationally expensive . 20 21 22 19 20 89 21 There has also been progress in the role of active dendrites in ANNs for computer vision tasks. Iyer et al. . proposed a novel ANN architecture with active dendrites, demonstrating competitive results in multi-task and continual learning. Jones and Kording used a binary tree to approximate dendrite branching and provided valuable insights into the influence of tree structure on single neurons’ computational capacity. Bird et al. . proposed a dendritic normalization rule based on biophysical behavior, offering an interesting perspective on the contribution of dendritic arbor structure to computation. While these studies offer valuable insights, they primarily rely on abstractions derived from spatially extended neurons, and do not fully exploit the detailed biological properties and spatial information of dendrites. Further investigation is needed to unveil the potential of leveraging more realistic neuron models for understanding the shared mechanisms underlying brain computation and deep learning. 90 91 92 In response to these challenges, we developed DeepDendrite, a tool that uses the Dendritic Hierarchical Scheduling (DHS) method to significantly reduce computational costs and incorporates an I/O module and a learning module to handle large datasets. With DeepDendrite, we successfully implemented a three-layer hybrid neural network, the Human Pyramidal Cell Network (HPC-Net) (Fig. ). This network demonstrated efficient training capabilities in image classification tasks, achieving approximately 25 times speedup compared to training on a traditional CPU-based platform (Fig. ; Supplementary Table ). 6a, b 6f 1 The illustration of the Human Pyramidal Cell Network (HPC-Net) for image classification. Images are transformed to spike trains and fed into the network model. Learning is triggered by error signals propagated from soma to dendrites. Շատ ցանցերը միասին մոդելվում են տարբեր տեսանյութերի հետ, ինչպիսիք են ինտերնետների համար: Շատ ցանցերը մոդելվում են միասին, ինչպես նաեւ այլ տեսանյութերը: Կարդալիք են, որ ΔW-ն բուժում է յուրաքանչյուր ցանցից: Comparison of the HPC-Net before and after training. Left, the visualization of hidden neuron responses to a specific input before (top) and after (bottom) training. Right, hidden layer weights (from input to hidden layer) distribution before (top) and after (bottom) training. Workflow of the transfer adversarial attack experiment. We first generate adversarial samples of the test set on a 20-layer ResNet. Then use these adversarial samples (noisy images) to test the classification accuracy of models trained with clean images. Prediction accuracy of each model on adversarial samples after training 30 epochs on MNIST (left) and Fashion-MNIST (right) datasets. Run time of training and testing for the HPC-Net. The batch size is set to 16. Left, run time of training one epoch. Right, run time of testing. Parallel NEURON + Python: training and testing on a single CPU with multiple cores, using 40-process-parallel NEURON to simulate the HPC-Net and extra Python code to support mini-batch training. DeepDendrite: training and testing the HPC-Net on a single GPU with DeepDendrite. a b c d e f Additionally, it is widely recognized that the performance of Artificial Neural Networks (ANNs) can be undermined by adversarial attacks —intentionally engineered perturbations devised to mislead ANNs. Intriguingly, an existing hypothesis suggests that dendrites and synapses may innately defend against such attacks . Our experimental results utilizing HPC-Net lend support to this hypothesis, as we observed that networks endowed with detailed dendritic structures demonstrated some increased resilience to transfer adversarial attacks Հիմնական հոդվածում, ինչպիսիք են MNIST Fashion-MNIST Վիքիպահեստում datasets (Fig. ). This evidence implies that the inherent biophysical properties of dendrites could be pivotal in augmenting the robustness of ANNs against adversarial interference. Nonetheless, it is essential to conduct further studies to validate these findings using more challenging datasets such as ImageNet . 93 56 94 95 96 6d, e 97 In conclusion, DeepDendrite has shown remarkable potential in image classification tasks, opening up a world of exciting future directions and possibilities. To further advance DeepDendrite and the application of biologically detailed dendritic models in AI tasks, we may focus on developing multi-GPU systems and exploring applications in other domains, such as Natural Language Processing (NLP), where dendritic filtering properties align well with the inherently noisy and ambiguous nature of human language. Challenges include testing scalability in larger-scale problems, understanding performance across various tasks and domains, and addressing the computational complexity introduced by novel biological principles, such as active dendrites. By overcoming these limitations, we can further advance the understanding and capabilities of biophysically detailed dendritic neural networks, potentially uncovering new advantages, enhancing their robustness against adversarial attacks and noisy inputs, and ultimately bridging the gap between neuroscience and modern AI. Methods Simulation with DHS CoreNEURON simulator ( ) uses the NEURON architecture and is optimized for both memory usage and computational speed. We implement our Dendritic Hierarchical Scheduling (DHS) method in the CoreNEURON environment by modifying its source code. All models that can be simulated on GPU with CoreNEURON can also be simulated with DHS by executing the following command: 35 https://github.com/BlueBrain/CoreNeuron 25 coreneuron_exec -d /path/to/models -e time --cell-permute 3 --cell-nthread 16 --gpu Օգտագործման տարբերակները նման են Table- ում . 1 Տեղադրման ճշգրիտությունը cellular-level parallel calculation- ի օգտագործում To ensure the accuracy of the simulation, we first need to define the correctness of a cellular-level parallel algorithm to judge whether it will generate identical solutions compared with the proven correct serial methods, like the Hines method used in the NEURON simulation platform. Based on the theories in parallel computing , a parallel algorithm will yield an identical result as its corresponding serial algorithm, if and only if the data process order in the parallel algorithm is consistent with data dependency in the serial method. The Hines method has two symmetrical phases: triangularization and back-substitution. By analyzing the serial computing Hines method , we find that its data dependency can be formulated as a tree structure, where the nodes on the tree represent the compartments of the detailed neuron model. In the triangularization process, the value of each node depends on its children nodes. In contrast, during the back-substitution process, the value of each node is dependent on its parent node (Fig. ). Thus, we can compute nodes on different branches in parallel as their values are not dependent. 34 55 1d Based on the data dependency of the serial computing Hines method, we propose three conditions to make sure a parallel method will yield identical solutions as the serial computing Hines method: (1) The tree morphology and initial values of all nodes are identical to those in the serial computing Hines method; (2) In the triangularization phase, a node can be processed if and only if all its children nodes are already processed; (3) In the back-substitution phase, a node can be processed only if its parent node is already processed. Once a parallel computing method satisfies these three conditions, it will produce identical solutions as the serial computing method. Computational cost of cellular-level parallel computing method To theoretically evaluate the run time, i.e., efficiency, of the serial and parallel computing methods, we introduce and formulate the concept of computational cost as follows: given a tree and threads (basic computational units) to perform triangularization, parallel triangularization equals to divide the node set of into subsets, i.e., = { , , … } where the size of each subset | | ≤ , i.e., at most nodes can be processed each step since there are only threads. The process of the triangularization phase follows the order: → → … → , and nodes in the same subset can be processed in parallel. So, we define | | (the size of set , i.e., here) as the computational cost of the parallel computing method. In short, we define the computational cost of a parallel method as the number of steps it takes in the triangularization phase. Because the back-substitution is symmetrical with triangularization, the total cost of the entire solving equation phase is twice that of the triangularization phase. T k V T n V V1 V2 Vn Vi k k k V1 V2 Vn Vi V V n Mathematical scheduling problem Based on the simulation accuracy and computational cost, we formulate the parallelization problem as a mathematical scheduling problem: Արդյոք, մի խոշոր = { , Հիմնական հոդված՝ Հիմնական հոդված՝ The positive integer , where is the node-set and is the edge set. Define partition ( ) = { Հիմա , … }, | | ≤ , 1 ≤ ≤ n, where | | indicates the cardinal number of subset , i.e., the number of nodes in , and for each node ∈ , all its children nodes { | ∈children( )} must in a previous subset , where 1 ≤ < Մեր նպատակն է գտնել optimum partition ( ) whose computational cost | ( )| is minimal. T V E k V E P V V1 v2 Հիմնական Vn Vi k i Vi Vi Vi v Vi c c v Vj j i P* V P* V Here subset Նշվում է, որ բոլոր բաղադրիչները, որոնք պետք է բեռնել -th step (Fig. ), so | Արդյոք ≤ indicates that we can compute Հիմնականը, որ ամենը կարող է լինել, քանի որ ամենը կարող է լինել . The restriction “for each node ∈ , all its children nodes { | ∈children( ) պետք է մի նախընտրական subset , where 1 ≤ < ” indicates that node can be processed only if all its child nodes are processed. Vi i 2e Vi k k k v Vi c c v Vj j i v DHS implementation We aim to find an optimal way to parallelize the computation of solving linear equations for each neuron model by solving the mathematical scheduling problem above. To get the optimal partition, DHS first analyzes the topology and calculates the depth ( ) for all nodes ∈ . Then, the following two steps will be executed iteratively until every node ∈ is assigned to a subset: (1) find all candidate nodes and put these nodes into candidate set . A node is a candidate only if all its child nodes have been processed or it does not have any child nodes. (2) if | | ≤ , i.e., the number of candidate nodes is smaller or equivalent to the number of available threads, remove all nodes in and put them into , otherwise, remove deepest nodes from and add them to subset . Label these nodes as processed nodes (Fig. ). After filling in subset , go to step (1) to fill in the next subset . d v v V v V Q Q k Q V*i k Q Vi 2d Vi Vi+1 Correctness proof for DHS After applying DHS to a neural tree = { , }, we get a partition ( ) = { , , … }, | | ≤ , 1 ≤ ≤ . Nodes in the same subset will be computed in parallel, taking steps to perform triangularization and back-substitution, respectively. We then demonstrate that the reordering of the computation in DHS will result in a result identical to the serial Hines method. T V E P V v1 Հիմնական V2 Vn Vi k i n Vi n The partition ( ) obtained from DHS decides the computation order of all nodes in a neural tree. Below we demonstrate that the computation order determined by ( ) satisfies the correctness conditions. ( ) ստացվում է այդ neuronal tree- ից . Operations in DHS do not modify the tree topology and values of tree nodes (corresponding values in the linear equations), so the tree morphology and initial values of all nodes are not changed, which satisfies condition 1: the tree morphology and initial values of all nodes are identical to those in serial Hines method. In triangularization, nodes are processed from subset to . As shown in the implementation of DHS, all nodes in subset are selected from the candidate set , and a node can be put into only if all its child nodes have been processed. Thus the child nodes of all nodes in are in { , , … }, meaning that a node is only computed after all its children have been processed, which satisfies condition 2: in triangularization, a node can be processed if and only if all its child nodes are already processed. In back-substitution, the computation order is the opposite of that in triangularization, i.e., from to . As shown before, the child nodes of all nodes in are in { , , … }, so parent nodes of nodes in are in { , , … }, which satisfies condition 3: in back-substitution, a node can be processed only if its parent node is already processed. P V P V P V T V1 Vn Vi Q Q Vi V1 V2 Vi-1 Vn V1 Vi V1 V2 Vi-1 Vi Հիմնական + 1 Vi+2 Vn Optimality proof for DHS The idea of the proof is that if there is another optimal solution, it can be transformed into our DHS solution without increasing the number of steps the algorithm requires, thus indicating that the DHS solution is optimal. For each subset Հիմնական ( ), DHS moves (thread number) deepest nodes from the corresponding candidate set Երկու . If the number of nodes in is smaller than , move all nodes from to . To simplify, we introduce Տեղադրեք, թե ինչ է քաշը Լավագույն կոճակը . All subsets in ( ) satisfy the max-depth criteria (Supplementary Fig. ): . We then prove that selecting the deepest nodes in each iteration makes Արդյոք, եթե ունեք optimum partition- ը = { , ... ... } containing subsets that do not satisfy the max-depth criteria, we can modify the subsets in ( ) so that all subsets consist of the deepest nodes from and the number of subsets ( | ( )|) remain the same after modification. Vi P V k Qi VI-ն Qi k Qi Vi Արդյոք k Qi P V 6a P(V) P*(V) V*1 V*2 V*s P* V Q P* V Without any loss of generalization, we start from the first subset not satisfying the criteria, i.e., . There are two possible cases that will make not satisfy the max-depth criteria: (1) | Գլխավոր » and there exist some valid nodes in that are not put to · (2) Ապրիլ | = but nodes in are not the Լավագույն կոճակը . V*i V*i V*i k Qi V*i V*i k V*i k Qi For case (1), because some candidate nodes are not put to , այդ կոճակները պետք է գտնվում են հաջորդ կոճակներում: As | , մենք կարող ենք փոխել հարմարավետ կոճակները հաջորդ կոճակների վրա , which will not increase the number of subsets and make satisfy the criteria (Supplementary Fig. , top). For case (2), | | = , these deeper nodes that are not moved from the candidate set into must be added to subsequent subsets (Supplementary Fig. , bottom). These deeper nodes can be moved from subsequent subsets to through the following method. Assume that after filling , is picked and one of the -th deepest nodes is still in Այսպես will be put into a subsequent subset ( > ). We first move Արդյոք to + , then modify subset + as follows: if | + | ≤ and none of the nodes in + Արդյոք is the parent of node , stop modifying the latter subsets. Otherwise, modify + Արդյոք Հաջորդը (տեսանյութ) Հաջորդը (տեսանյութ) ): if the parent node of is in + , move this parent node to + ; else move the node with minimum depth from + to + . After adjusting , modify subsequent subsets + , + , … with the same strategy. Finally, move from to . V*i V*i < k V*i V * I 6b V*i k Qi V*i 6B V*i V*i v k v’ Qi v’ V*j j i v V*i V * I 1 V * I 1 V*i 1 k V * I 1 v V*i 1 6c v V*i 1 V*i 2 V*i 1 V*i 2 V*i V * I 1 V*i 2 V*j-1 v’ V*j V*i Հետեւաբար, մենք կարող ենք փոխարինել բոլոր վերականգնումները, որոնք ներքեւում են Երբ The -th deepest node in Արդյոք, դուք պետք է վերցնել, թե ինչ է, այնպես որ, ( )| the same after modification. We can modify the nodes with the same strategy for all subsets in ( ) that do not contain the deepest nodes. Finally, all subsets ∈ ( ) can satisfy the max-depth criteria, and | ( Արդյոք, այն չի փոխվել, երբ փոխել է. V*i k Qi P* V P* V V * I P* V P* V In conclusion, DHS generates a partition ( ) եւ բոլոր բաղադրիչները ∈ ( ) satisfy the max-depth condition: . For any other optimal partition ( ) մենք կարող ենք փոխել իր սարքավորումներ, որպեսզի իր կառուցվածքը նույն է, ինչպես ( ), i.e., each subset consists of the deepest nodes in the candidate set, and keep | ( ) the same after modification. So, the partition ( ) obtained from DHS is one of the optimal partitions. P V Vi P V P* V P V P * V | P V GPU implementation and memory boosting To achieve high memory throughput, GPU utilizes the memory hierarchy of (1) global memory, (2) cache, (3) register, where global memory has large capacity but low throughput, while registers have low capacity but high throughput. We aim to boost memory throughput by leveraging the memory hierarchy of GPU. GPU-ը օգտագործում է SIMT (Single-Instruction, Multiple-Thread) դիզայնը: Warps- ը GPU-ի հիմնական սերտիֆիկատորները են (որպը 32 միասնական սերտիֆիկների թիմ է): Warp- ը նույն սերտիֆիկը կատարում է տարբեր տվյալների հետ տարբեր սերտիֆիկների համար: «Մենք պետք է անում ենք այն, ինչ մենք պետք է անում ենք, եւ մենք պետք է անում ենք այն, ինչ մենք պետք է անում ենք, եւ մենք պետք է անում ենք այն, ինչ մենք պետք է անում ենք, եւ մենք պետք է անում ենք այն, ինչ մենք պետք է անում ենք, եւ մենք պետք է անում ենք այն, ինչ մենք պետք է անում ենք, եւ մենք պետք է անում ենք այն, ինչ մենք անում ենք»: 46 Երբ սխալը բեռնում է նախապատրաստված եւ սարքավորված տվյալները գլոբալ մանրամասից, այն կարող է ամբողջականորեն օգտագործել սխալը, որը առաջանում է բարձր մանրամասի մանրամասի մանրամասի մանրամասը, իսկ մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի մանրամասի ման Full-spine եւ few-spine biophysical մոդելներ Մենք օգտագործում ենք թարմացվելը human pyramidal neuron Membrane Capacitance-ի հզորությունը m = 0.44 μF cm-2, membrane resistance m = 48,300 Ω cm2, and axial resistivity a = 261.97 Ω cm. In this model, all dendrites were modeled as passive cables while somas were active. The leak reversal potential l = -83.1 mV. Ion channels such as Na+ and K+ were inserted on soma and initial axon, and their reversal potentials were Na = 67.6 mV, K = -102 mV respectively. All these specific parameters were set the same as in the model of Eyal, et al. , for more details please refer to the published model (ModelDB, access No. 238347). 51 c r r E E E 51 In the few-spine model, the membrane capacitance and maximum leak conductance of the dendritic cables 60 μm away from soma were multiplied by a spine factor to approximate dendritic spines. In this model, spine was set to 1.9. Only the spines that receive synaptic inputs were explicitly attached to dendrites. F F In the full-spine model, all spines were explicitly attached to dendrites. We calculated the spine density with the reconstructed neuron in Eyal, et al. . The spine density was set to 1.3 μm-1, and each cell contained 24994 spines on dendrites 60 μm away from the soma. 51 Մորֆոլոլոգիաներ եւ biophysical մեխանիզմներ թռիչքներ են նույն է մի քանի թռիչքների եւ ամբողջ թռիչքների մոդելների. neck = 1.35 μm and the diameter Հեռի = 0.25 μm, իսկ փոշի կոշի երկարությունը եւ տրամագիծը 0.944 μm էր, ինչպիսիք են, փոշի կոշի տարածքը տեղադրվել է 2.8 μm- ում: Հեռի կոշի եւ փոշի կոշի կոշի բոլորը մոդելվել են որպես պակասային կոշիկներ, հետ վերլուծական հզորությունը: = -86 mV. The specific membrane capacitance, membrane resistance, and axial resistivity were the same as those for dendrites. L D Լ Synaptic inputs We investigated neuronal excitability for both distributed and clustered synaptic inputs. All activated synapses were attached to the terminal of the spine head. For distributed inputs, all activated synapses were randomly distributed on all dendrites. For clustered inputs, each cluster consisted of 20 activated synapses that were uniformly distributed on a single randomly-selected compartment. All synapses were activated simultaneously during the simulation. AMPA-based and NMDA-based synaptic currents were simulated as in Eyal et al.’s work. AMPA conductance was modeled as a double-exponential function and NMDA conduction as a voltage-dependent double-exponential function. For the AMPA model, the specific rise and Տեղադրված է 0.3 եւ 1.8 ms համար NMDA մոդել, rise and decay were set to 8.019 and 34.9884 ms, respectively. The maximum conductance of AMPA and NMDA were 0.73 nS and 1.31 nS. τ τ τ τ Background noise We attached background noise to each cell to simulate a more realistic environment. Noise patterns were implemented as Poisson spike trains with a constant rate of 1.0 Hz. Each pattern started at start = 10 ms and lasted until the end of the simulation. We generated 400 noise spike trains for each cell and attached them to randomly-selected synapses. The model and specific parameters of synaptic currents were the same as described in , except that the maximum conductance of NMDA was uniformly distributed from 1.57 to 3.275, resulting in a higher AMPA to NMDA ratio. t Synaptic Inputs Exploring neuronal excitability We investigated the spike probability when multiple synapses were activated simultaneously. For distributed inputs, we tested 14 cases, from 0 to 240 activated synapses. For clustered inputs, we tested 9 cases in total, activating from 0 to 12 clusters respectively. Each cluster consisted of 20 synapses. For each case in both distributed and clustered inputs, we calculated the spike probability with 50 random samples. Spike probability was defined as the ratio of the number of neurons fired to the total number of samples. All 1150 samples were simulated simultaneously on our DeepDendrite platform, reducing the simulation time from days to minutes. Performing AI tasks with the DeepDendrite platform Conventional detailed neuron simulators lack two functionalities important to modern AI tasks: (1) alternately performing simulations and weight updates without heavy reinitialization and (2) simultaneously processing multiple stimuli samples in a batch-like manner. Here we present the DeepDendrite platform, which supports both biophysical simulating and performing deep learning tasks with detailed dendritic models. DeepDendrite- ը տեղադրվում է երեք մոդուլներում (Depplementary Fig. ): (1) an I/O module; (2) a DHS-based simulating module; (3) a learning module. When training a biophysically detailed model to perform learning tasks, users first define the learning rule, then feed all training samples to the detailed model for learning. In each step during training, the I/O module picks a specific stimulus and its corresponding teacher signal (if necessary) from all training samples and attaches the stimulus to the network model. Then, the DHS-based simulating module initializes the model and starts the simulation. After simulation, the learning module updates all synaptic weights according to the difference between model responses and teacher signals. After training, the learned model can achieve performance comparable to ANN. The testing phase is similar to training, except that all synaptic weights are fixed. 5 HPC-Net model Image classification is a typical task in the field of AI. In this task, a model should learn to recognize the content in a given image and output the corresponding label. Here we present the HPC-Net, a network consisting of detailed human pyramidal neuron models that can learn to perform image classification tasks by utilizing the DeepDendrite platform. HPC-Net has three layers, i.e., an input layer, a hidden layer, and an output layer. The neurons in the input layer receive spike trains converted from images as their input. Hidden layer neurons receive the output of input layer neurons and deliver responses to neurons in the output layer. The responses of the output layer neurons are taken as the final output of HPC-Net. Neurons between adjacent layers are fully connected. For each image stimulus, we first convert each normalized pixel to a homogeneous spike train. For pixel with coordinates ( ) in the image, the corresponding spike train has a constant interspike interval ISI( ) (in ms) which is determined by the pixel value ( ) as shown in Eq. ( ). x, y τ x, y p x, y 1 In our experiment, the simulation for each stimulus lasted 50 ms. All spike trains started at 9 + ISI ms and lasted until the end of the simulation. Then we attached all spike trains to the input layer neurons in a one-to-one manner. The synaptic current triggered by the spike arriving at time is given by τ t0 where Հիմնական հոդված՝ Հիմնական հոդված՝ Post-synaptic voltage, the reversal potential syn = 1 mV, the maximum synaptic conductance max = 0.05 μS, and the time constant = 0.5 ms. v E g τ Neurons in the input layer were modeled with a passive single-compartment model. The specific parameters were set as follows: membrane capacitance m = 1.0 μF cm-2, membrane resistance m = 104 Ω cm2, axial resistivity a = 100 Ω cm, reversal potential of passive compartment l = 0 mV. c r r E Պահպանված բաղադրիչը ներառում է տղամարդկանց պրեմդալային neuron մոդելների թիմը, որը ստանում է input layer neurons- ի սմարթային լարմանները: Մորֆոլոլոգիան է Eyal- ից եւ այլն: , and all neurons were modeled with passive cables. The specific membrane capacitance m = 1.5 μF cm-2, membrane resistance m = 48,300 Ω cm2, axial resistivity a = 261.97 Ω cm, and the reversal potential of all passive cables l = 0 mV. Input neurons could make multiple connections to randomly-selected locations on the dendrites of hidden neurons. The synaptic current activated by the -th synapse of the -th input neuron on neuron ’s dendrite is defined as in Eq. ( Երբ is the synaptic conductance, is the synaptic weight, is the ReLU-like somatic activation function, and is the somatic voltage of the -th input neuron at time . 51 c r r E k i j 4 gijk Wijk i t Neurons in the output layer were also modeled with a passive single-compartment model, and each hidden neuron only made one synaptic connection to each output neuron. All specific parameters were set the same as those of the input neurons. Synaptic currents activated by hidden neurons are also in the form of Eq. ( ). 4 Image classification with HPC-Net For each input image stimulus, we first normalized all pixel values to 0.0-1.0. Then we converted normalized pixels to spike trains and attached them to input neurons. Somatic voltages of the output neurons are used to compute the predicted probability of each class, as shown in equation , where is the probability of -th class predicted by the HPC-Net, is the average somatic voltage from 20 ms to 50 ms of the -th output neuron, and indicates the number of classes, which equals the number of output neurons. The class with the maximum predicted probability is the final classification result. In this paper, we built the HPC-Net with 784 input neurons, 64 hidden neurons, and 10 output neurons. 6 pi i i C Synaptic plasticity rules for HPC-Net Inspired by previous work , we use a gradient-based learning rule to train our HPC-Net to perform the image classification task. The loss function we use here is cross-entropy, given in Eq. ( Երբ is the predicted probability for class , indicates the actual class the stimulus image belongs to, = 1 եթե տպագրությունը ներառում է դասի , and = 0 if not. 36 7 pi i yi yi i yi When training HPC-Net, we compute the update for weight (the synaptic weight of the -th synapse connecting neuron to neuron ) at each time step. After the simulation of each image stimulus, Արդյոք, ինչպիսիք են հայտնաբերվել EQ- ում ( ): Wijk k i j Wijk 8 Here is the learning rate, is the update value at time , , are somatic voltages of neuron and respectively, is the -th synaptic current activated by neuron on neuron , Նրա synaptic conductivity, is the transfer resistance between the -th connected compartment of neuron on neuron «Որբնացրեք neuron» ’s soma, s = 30 ms, e = 50 ms are start time and end time for learning respectively. For output neurons, the error term can be computed as shown in Eq. ( Արդյոք, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն, թե ինչ է այն: ). t vj vi i j Iijk k i j Գիտակ Թագավորություն k i j j t t 10 11 Since all output neurons are single-compartment, equals to the input resistance of the corresponding compartment, . Transfer and input resistances are computed by NEURON. Mini-batch training is a typical method in deep learning for achieving higher prediction accuracy and accelerating convergence. DeepDendrite also supports mini-batch training. When training HPC-Net with mini-batch size batch, we make HPC-Net- ի բաղադրատոմսերի բաղադրատոմսեր: Բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղադրատոմսերի բաղ N N Robustness against adversarial attack with HPC-Net To demonstrate the robustness of HPC-Net, we tested its prediction accuracy on adversarial samples and compared it with an analogous ANN (one with the same 784-64-10 structure and ReLU activation, for fair comparison in our HPC-Net each input neuron only made one synaptic connection to each hidden neuron). We first trained HPC-Net and ANN with the original training set (original clean images). Then we added adversarial noise to the test set and measured their prediction accuracy on the noisy test set. We used the Foolbox , to generate adversarial noise with the FGSM method . ANN was trained with PyTorch , and HPC-Net was trained with our DeepDendrite. For fairness, we generated adversarial noise on a significantly different network model, a 20-layer ResNet . The noise level ranged from 0.02 to 0.2. We experimented on two typical datasets, MNIST and Fashion-MNIST . Results show that the prediction accuracy of HPC-Net is 19% and 16.72% higher than that of the analogous ANN, respectively. 98 99 93 100 101 95 96 Տեղադրման համոզվածություն Further information on research design is available in the linked to this article. Nature Portfolio Reporting Summary Data availability The data that support the findings of this study are available within the paper, Supplementary Information and Source Data files provided with this paper. The source code and data that used to reproduce the results in Figs. – are available at . The MNIST dataset is publicly available at . The Fashion-MNIST dataset is publicly available at . are provided with this paper. 3 6 https://github.com/pkuzyc/DeepDendrite http://yann.lecun.com/exdb/mnist https://github.com/zalandoresearch/fashion-mnist Source data Code availability The source code of DeepDendrite as well as the models and code used to reproduce Figs. – in this study are available at . 3 6 https://github.com/pkuzyc/DeepDendrite References McCulloch, W. S. & Pitts, W. Հիմնական հաշվետվություն սերտիֆիկի գործառույթում տպագրված գաղափարների մասին. Բլ. Մատթ. Biophys. 5, 115–133 (1943). LeCun, Y., Bengio, Y. & Hinton, G. Հիմնական ուսուցման. Nature 521, 436–444 (2015). Poirazi, P., Brannon, T. & Mel, B. W. Արդյունաբերական սինպտիկ սինպտիկ սինպտիկ սինպտիկը մոդել CA1 սինպտիկը: Neuron 37, 977–987 (2003). London, M. & Häusser, M. Dendritic computation. , 503–532 (2005). Annu. Rev. Neurosci. 28 Branco, T. & Häusser, M. The single dendritic branch as a fundamental functional unit in the nervous system. , 494–502 (2010). Curr. Opin. Neurobiol. 20 Stuart, G. J. & Spruston, N. Dendritic ինտեգրման: 60 տարի առաջադեմ. Nat. Neurosci. 18, 1713–1721 (2015). Poirazi, P. & Papoutsi, A. Illuminating dendritic function with computational models. , 303–321 (2020). Nat. Rev. Neurosci. 21 Yuste, R. & Denk, W. Dendritic բաղադրիչները որպես հիմնական գործառույթային միավորներ neuronal ինտեգրման. Nature 375, 682–684 (1995). Engert, F. & Bonhoeffer, T. Dendritic փոշի փոխանցումներ, որոնք կապված են hippocampal երկար ժամանակի sinaptic plasticity. Nature 399, 66–70 (1999). Հուլտ, R. Dendritic թռիչքներ եւ թռիչքներ: Neuron 71, 772–781 (2011). Հիմնական հոդված՝ Հունվար, 2013 Հունվար, 2013 Հունվար, 2013 Հունվար, 2013 Հունվար, 2013 Հունվար, 2013 Հունվար, 2013 Հունվար, 2013 Հունվար, 2013 Գլ, W. Արդյունաբերական dendritic խանութներ եւ motoneuron membrane resistivity. Exp. Neurol. 1, 491–527 (1959). Segev, I. & Rall, W. Computational study of an excitable dendritic spine. J. Neurophysiol. 60, 499–523 (1988). Silver, D. et al. Հավատում է խաղի գնել հետ հագուստ սերտիֆիկների ցանցերի եւ թռիչքների որոնման. Nature 529, 484–489 (2016). Silver, D. et al. Հիմնական հսկողության ուսուցման ալբորատոմս, որը հսկողում է սխալը, shogi, եւ անցնում է Self-Play. Science 362, 1140–1144 (2018). McCloskey, M. & Cohen, N. J. Katastrophic interference in connectivist networks: the sequential learning problem. Psychol. Learn. Motiv. 24, 109–165 (1989). French, R. M. Catastrophic forgetting in connectionist networks. , 128–135 (1999). Trends Cogn. Sci. 3 Naud, R. & Sprekeler, H. Sparse թռիչքները optimize information transmission in a multiplexed neural code. Proc. Natl Acad. Sci. USA 115, E6329–E6338 (2018). Sacramento, J., Costa, R. P., Bengio, Y. & Senn, W. Dendritic cortical microcircuits approximate the backpropagation algorithm. in (NeurIPS*,* 2018). Advances in Neural Information Processing Systems 31 (NeurIPS 2018) Payeur, A., Guerguiev, J., Zenke, F., Richards, B. A. & Naud, R. Burst-հարկված sinaptic պլաստիկությունը կարող է համատեղել ուսուցման հիերֆիկական սարքերի մեջ: Nat. Neurosci. 24, 1010–1019 (2021). Bicknell, B. A. & Häusser, M. A synaptic learning rule for exploiting nonlinear dendritic computing. Neuron 109, 4001–4017 (2021). Moldwin, T., Kalmenson, M. & Segev, I. The gradient clusteron: a model neuron that learns to solve classification tasks via dendritic nonlinearities, structural plasticity, and gradient descent. PLoS Comput. Biol. 17, e1009015 (2021). Hodgkin, A. L. & Huxley, A. F. A quantitative description of membrane current and Its application to conduction and excitation in nerve. , 500–544 (1952). J. Physiol. 117 Rall, W. Theory of physiological properties of dendrites. Ann. N. Y. Acad. Sci. 96, 1071–1092 (1962). Hines, M. L. & Carnevale, N. T. Neural Comput. 9, 1179–1209 (1997): Նրաֆիլմային համակարգչային միջավայրը Bower, J. M. & Beeman, D. The Book of GENESIS: Exploring Realistic Neural Models with the General Neural Simulation System (նշում է Bower, J. M. & Beeman, D.) 17–27 (Springer New York, 1998). Hines, M. L., Eichner, H. & Schürmann, F. Neuron splitting in compute-bound parallel network simulations enables runtime scaling with twice as many processors. , 203–210 (2008). J. Comput. Neurosci. 25 Hines, M. L., Markram, H. & Schürmann, F. Fully implicit parallel simulation of single neurons. , 439–448 (2008). J. Comput. Neurosci. 25 Ben-Shalom, R., Liberman, G. & Korngreen, A. Accelerating compartmental modeling on a graphical processing unit. , 4 (2013). Front. Neuroinform. 7 Tsuyuki, T., Yamamoto, Y. & Yamazaki, T. արդյունավետ թվային մոդելային մոդելային մոդելների սերտիֆիկային կառուցվածքը գրաֆիկայի processing միավորների. In Proc. 2016 International Conference on Neural Information Processing (eds Hirose894Akiraet al.) 279–285 (Springer International Publishing, 2016). Vooturi, D. T., Kothapalli, K. & Bhalla, U. S. Parallelizing Hines Matrix Solver in Neuron Simulations on GPU. In Proc. IEEE 24th International Conference on High Performance Computing (HiPC) 388–397 (IEEE, 2017). Huber, F. Efficient tree solver for hines matrices on the GPU. Preprint at (2018). https://arxiv.org/abs/1810.12742 Korte, B. եւ Vygen, J. Combinatorial Optimization Theory եւ Algorithms 6 edn (Springer, 2018). Gebali, F. (Wiley, 2011). Algorithms and Parallel Computing Kumbhar, P. et al. CoreNEURON: A optimized compute engine for the NEURON simulator. Front. Neuroinform. 13, 63 (2019). Urbanczik, R. & Senn, W. Learning by the dendritic prediction of somatic spiking. , 521–528 (2014). Neuron 81 Ben-Shalom, R., Aviv, A., Razon, B. & Korngreen, A. Օպտիմիմիական մոդելներ էոնային քանակի օգտագործելով parallel genetic algorithm է գրաֆիկական processors. J. Neurosci. Methods 206, 183–194 (2012). Mascagni, M. A parallelizing algorithm for computing solutions to arbitrarily branched cable neuron models. J. Neurosci. Methods 36, 105–114 (1991). McDougal, R. A. et al. Twenty years of modelDB and beyond: Building essential modeling tools for the future of neuroscience. J. Comput. Neurosci. 42, 1–10 (2017). Migliore, M., Messineo, L. & Ferrante, M. Dendritic Ih selectively blocks temporal summation of unsynchronized distal inputs in CA1 pyramidal neurons. , 5–13 (2004). J. Comput. Neurosci. 16 Հիմոնդ, P. et al. Հիմոնդ, P. et al. Հիմոնդ, P. et al. Հիմոնդ, P. et al. Հիմոնդային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջջային բջջային բջջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջային բջջջային բջ Hay, E., Hill, S., Schürmann, F., Markram, H. & Segev, I. Մոդելներ neocortical գոտի 5b թվային բջիջային բջիջների ստուգում լայն շարք dendritic եւ perisomatic գործառույթների. PLoS Comput. Biol. 7, e1002107 (2011). Masoli, S., Solinas, S. & D’Angelo, E. Action potential processing in a detailed purkinje cell model reveals a critical role for axonal compartmentalization. , 47 (2015). Front. Cell. Neurosci. 9 Lindroos, R. et al. Basal ganglia neuromodulation ավելի քան բազմաթիվ ժամանակային եւ կառուցվածքի քանակում - մոդելներ Direct Path MSNs հետազոտել արագ սկսման dopaminergic ազդեցությունների եւ նախընտրել գործը Kv4.2. Front. Neural Circuits 12, 3 (2018). Migliore, M. et al. Synaptic clusters function as odor operators in the olfactory bulb. , 8499–8504 (2015). Proc. Natl Acad. Sci. USa 112 NVIDIA. CUDA C++ Programming Guide. https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html (2021): NVIDIA. CUDA C++ Best Practices Guide. https://docs.nvidia.com/cuda/cuda-c-best-practices-guide/index.html (2021) Harnett, M. T., Makara, J. K., Spruston, N., Kath, W. L. & Magee, J. C. Synaptic amplification by dendritic spines enhances input cooperativity. Nature 491, 599–602 (2012) Chiu, C. Q. եւ այլն: GABAergic inhibition by dendritic spines. Science 340, 759–762 (2013). Tønnesen, J., Katona, G., Rózsa, B. & Nägerl, U. V. Պլաստիկությունը փոշի փոշի կարգավորում է սինպսերի կախվածությունը: Nat. Neurosci. 17, 678–685 (2014). Eyal, G. et al. Human cortical pyramidal neurons: From spines to spikes via models. Front. Cell. Neurosci. 12, 181 (2018). Koch, C. & Zador, A. The function of dendritic spines: devices subserving biochemical rather than electrical compartmentalization. J. Neurosci. 13, 413-422 (1993). Koch, C. Dendritic spines. in Biophysics of Computation (Oxford University Press, 1999). Rapp, M., Yarom, Y. & Segev, I. The impact of parallel fiber background activity on the cable properties of cerebellar purkinje cells. , 518–533 (1992). Neural Comput. 4 Հենսը, Մ. Ապրանքային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգչի համակարգչային համակարգչային համակարգչային համակարգչային համակարգչային համակարգ Nayebi, A. & Ganguli, S. Biologically inspired protection of deep networks from adversarial attacks. Preprint at (2017). https://arxiv.org/abs/1703.09202 Goddard, N. H. & Hood, G. Large-Scale Simulation Using Parallel GENESIS. in The Book of GENESIS: Exploring Realistic Neural Models with the General Neural Simulation System (հարկված է Bower James M. & Beeman David) 349-379 (Springer New York, 1998). Migliore, M., Cannia, C., Lytton, W. W., Markram, H. & Hines, M. L. Parallel ցանցային մոդելներ Neuron. J. Comput. Neurosci. 21, 119 (2006) Lytton, W. W. et al. Simulation neurotechnologies for advancing brain research: parallelizing large networks in NEURON. , 2063–2090 (2016). Neural Comput. 28 Valero-Lara, P. et al. cuHinesBatch: Solving multiple Hines systems on GPUs human brain project. In 566–575 (IEEE, 2017). Proc. 2017 International Conference on Computational Science Akar, N. A. et al. Arbor — Մորֆոլոլոգիական մոդելային ցանցի մոդելային գրասենյակ, որը մատակարարվում է ժամանակակից բարձր արդյունավետության համակարգչային դիզայնների համար: 27th Euromicro International Conference on Parallel, Distributed and Network-Based Processing (PDP) 274–282 (IEEE, 2019) Ben-Shalom, R. et al. NeuroGPU: Բարձրացուցիչ multi-compartment, biophysically մանրամասն neuron simulations է GPUs. J. Neurosci. Methods 366, 109400 (2022). Rempe, M. J. & Chopp, D. L. A predictor-corrector algorithm for reaction-diffusion equations associated with neural activity on branched structures. SIAM J. Sci. Comput. 28, 2139–2161 (2006) Kozloski, J. & Wagner, J. A ultra-scalable լուծում է մեծ քանակի սերտիֆիկի մոդել. Front. Neuroinform. 5, 15 (2011). Jayant, K. et al. Տղամարդկանց ինտրաձայնային լարման գրառումները dendritic spines օգտագործելով quantum-dot-covered nanopipettes. Nat. Nanotechnol. 12, 335–342 (2017). Palmer, L. M. & Stuart, G. J. Membrane հզորության փոխանցումներ dendritic spines during action potentials and synaptic input. J. Neurosci. 29, 6897–6903 (2009). Nishiyama, J. եւ Yasuda, R. Biochemical calculation for spine structural plasticity. Neuron 87, 63–75 (2015). Yuste, R. & Bonhoeffer, T. Morphological changes in dendritic spines associated with long-term synaptic plasticity. , 1071–1089 (2001). Annu. Rev. Neurosci. 24 Holtmaat, A. & Svoboda, K. Experience-dependent structural synaptic plasticity in the mammalian brain. , 647–658 (2009). Nat. Rev. Neurosci. 10 Caroni, P., Donato, F. & Muller, D. Արդյունաբերական պլաստիկությունը ուսուցման մեջ: կարգավորումը եւ գործառույթներ. Nat. Rev. Neurosci. 13, 478–490 (2012). Keck, T. et al. Massive restructuring of neuronal circuits during functional reorganization of adult visual cortex. , 1162 (2008). Nat. Neurosci. 11 Hofer, S. B., Mrsic-Flogel, T. D., Bonhoeffer, T. & Hübener, M. Experience- ը կախված է cortical circuits- ում տեւող կառուցվածքի նամակը: Nature 457, 313–317 (2009) Trachtenberg, J. T. et al. Long-term in vivo imaging of experience-dependent synaptic plasticity in adult cortex. , 788–794 (2002). Nature 420 Marik, S. A., Yamahachi, H., McManus, J. N., Szabo, G. & Gilbert, C. D. Axonal dynamics of excitatory and inhibitory neurons in somatosensory cortex. , e1000395 (2010). PLoS Biol. 8 Xu, T. et al. Rapid formation and selective stabilization of synapses for enduring motor memories. , 915–919 (2009). Nature 462 Albarran, E., Raissi, A., Jáidar, O., Shatz, C. J. & Ding, J. B. Բարձրացնել motor learning- ի միջոցով բարձրացնել stability- ի նոր ստեղծված dendritic spines է motor cortex. Neuron 109, 3298–3311 (2021). Branco, T. & Häusser, M. Synaptic integration gradients in single cortical pyramidal cell dendrites. Neuron 69, 885–892 (2011). Հիմնական, G., Larkum, M. E. & Schiller, J. Ապրանքային հատկանիշները neocortical piramidal neuron dendrites. Annu. Rev. Neurosci. 36, 1–24 (2013). Gidon, A. et al. Dendritic action potentials and computation in human layer 2/3 cortical neurons. , 83–87 (2020). Science 367 Doron, M., Chindemi, G., Muller, E., Markram, H. & Segev, I. Timeed synaptic inhibition forms NMDA spikes, ազդեցություն տեղական dendritic processing եւ ամբողջական I / O հատկանիշները cortical neurons. Cell Rep. 21, 1550–1561 (2017). Du, K. et al. Cell-type-specific inhibition of the dendritic plateau potential in striatal spiny projection neurons. , E7612–E7621 (2017). Proc. Natl Acad. Sci. USA 114 Smith, S. L., Smith, I. T., Branco, T. & Häusser, M. Dendritic spikes enhance stimulus selectivity in cortical neurons in vivo. , 115–120 (2013). Nature 503 Xu, N.-l et al. Nonlinear dendritic integration of sensory and motor input during an active sensing task. Nature 492, 247–251 (2012). Բրիտանիա, Բրիտանիա, Բրիտանիա, Բրիտանիա, Բրիտանիա, Բրիտանիա, Բրիտանիա, Բրիտանիա, Բրիտանիա, Բրիտանիա Sheffield, M. E. & Dombeck, D. A. Calcium transient prevalence across the dendritic arbour predicts place field properties. , 200–204 (2015). Nature 517 Markram, H. et al. Reconstruction and simulation of neocortical microcircuitry. , 456–492 (2015). Cell 163 Billeh, Y. N. եւ այլն: Structural and functional data's systematic integration into multi-scale models of mouse primary visual cortex. Neuron 106, 388–403 (2020) Հորթ, J. et al. The microcircuits of striatum in silico. Proc. Natl Acad. Sci. USA 117, 202000671 (2020) Guerguiev, J., Lillicrap, T. P. & Richards, B. A. Հաջորդ հոդվածը E22901 (2017) Iyer, A. et al. Avoiding catastrophe: active dendrites enable multi-task learning in dynamic environments. , 846219 (2022). Front. Neurorobot. 16 Jones, I. S. & Kording, K. P. Ո՞վ կարող է մի միմյանց սերտիֆիկը լուծել հետաքրքրված մեքենայի ուսուցման խնդիրները իր dendritic թռչունի միջոցով: Neural Comput. 33, 1554–1571 (2021). Bird, A. D., Jedlicka, P. & Cuntz, H. Dendritic normalisation improves learning in sparsely connected artificial neural networks. , e1009202 (2021). PLoS Comput. Biol. 17 Goodfellow, I. J., Shlens, J. & Szegedy, C. Explaining and harnessing adversarial examples. In (ICLR, 2015). 3rd International Conference on Learning Representations (ICLR) Papernot, N., McDaniel, P. & Goodfellow, I. Transferability in machine learning: from phenomena to black-box attacks using adversarial samples. Preprint at (2016). https://arxiv.org/abs/1605.07277 Lecun, Y., Bottou, L., Bengio, Y. & Haffner, P. Gradient-based ուսուցման կիրառվում է գրառույթների ճանաչման. Proc. IEEE 86, 2278–2324 (1998). Xiao, H., Rasul, K. & Vollgraf, R. Fashion-MNIST: a novel image dataset for benchmarking machine learning algorithms. Preprint at (2017). http://arxiv.org/abs/1708.07747 Bartunov, S. et al. Assessing the scalability of biologically-motivated deep learning algorithms and architectures. In (NeurIPS, 2018). Advances in Neural Information Processing Systems 31 (NeurIPS 2018) Rauber, J., Brendel, W. & Bethge, M. Foolbox: A Python toolbox to benchmark the robustness of machine learning models. In (2017). Reliable Machine Learning in the Wild Workshop, 34th International Conference on Machine Learning Rauber, J., Zimmermann, R., Bethge, M. & Brendel, W. Foolbox native: fast adversarial attacks to benchmark the robustness of machine learning models in PyTorch, TensorFlow, and JAX. , 2607 (2020). J. Open Source Softw. 5 Paszke, A. et al. PyTorch: An imperative style, high-performance deep learning library. In (NeurIPS, 2019). Advances in Neural Information Processing Systems 32 (NeurIPS 2019) He, K., Zhang, X., Ren, S. & Sun, J. Deep residual learning for image recognition. In 770–778 (IEEE, 2016). Proc. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Հիմնական տեղեկություններ Այս աշխատանքը աջակցվել է Guangdong Province National Key R&D Program (No. 2018B030338001) համար TH, National Natural Science Foundation of China (No. 61825101) համար Y.T., Swedish Research Council (VR-M-2020-01652), Swedish e-Science Research Centre (SeRC), EU/Horizon 2020 No. 945539 (HBP SGA3), KTH եւ Digital Futures to J.H.K., J.H., A.H., PDIC, Swedish համար մոդելային հետազոտական ծրագրեր (SVK-M-2020-01652), Swedish Research Centre (SeRC), EU/Horizon 2020 No. 945539 (HBP SGA3), Չինաստան Չինաստան Չինաստան Չինաստան Չինաստան Չինաստան Չինաստան Չինաստան Այս գրասենյակը հասանելի է CC by 4.0 Deed (Attribution 4.0 International) License- ի տակ: Այս թերթը CC by 4.0 Deed- ի (Attribution 4.0 International) լիցենզիաների կողմից: Արդյոք հասանելի է բնական
