基于类脑系统的仿生脑模型构建系统的设计与实现
这是一篇关于仿生脑模型,类脑计算,脑仿真,模型转换的论文, 主要内容为人类对大脑结构和功能的探索从未停止,脑科学和脑认知被许多国家视为人类科学领域“皇冠上的明珠”。继美国、欧盟和日本之后,我国在“十三五”国家科技创新规划中推出脑科学研究计划,明确提出发展类脑计算与脑机智能。随着类脑计算研究的推进,使用计算机或专用硬件执行大规模脑仿真,模拟神经信号在神经元内部的产生以及其在神经元之间的传递过程,这为人类研究生物脑运作机理提供一种有效手段。然而对生物脑抽象建模得到仿生脑模型,并部署到专用硬件上执行仿真,需要研究人员具备较强的计算机科学专业技术,无疑为相关研究增加了研究难度。为降低脑科学研究人员在对生物脑建模并部署仿真时的知识门槛,本文设计并实现了一个仿生脑模型构建系统,为相关研究人员提供一个对生物脑进行抽象建模和仿真的平台。本系统主要包括模型构建、模型转换、模型仿真、结果展示、模型管理、系统管理和日志管理等功能,为仿生脑模型的构建和仿真以及系统运行提供支撑。本文主要工作包括:1.仿生脑模型构建。本文根据实际应用场景,定义适用于本文系统的仿生脑模型相关文件的格式。本文系统根据用户提供的神经元、神经元簇等模型参数构建仿生脑模型,并使用结构化的模型描述文件和模型数据文件,记录仿生脑模型的结构信息和突触连接数据。2.模型转换策略设计与实现。本文系统基于某类脑系统,该类脑系统提供特制类脑芯片和类脑仿真引擎为仿生脑模型仿真提供支持。而特定硬件对仿生脑模型中神经元出度大小存在限制,出度超出限制的神经元在仿真过程中会带来额外的突触数据读取和脉冲信号传递的时间开销。此外在仿真过程中,仿真引擎需要比较神经元突触延迟和当前时间拍,两者一致时神经元之间才会传递脉冲信号。神经元之间各异的突触延迟会增加仿真引擎的判断分支,带来额外的时间开销。本文针对上述问题设计而向特定硬件的两种模型转换策略,对仿生脑模型进行定向转换,以在使用特定硬件仿真时加速模型仿真过程。3.NEST仿真器神经元模型库的扩展。本文系统集成了业界流行的NEST仿真器作为用户的仿真引擎备选。然而NEST仿真器缺少某类脑系统支持的经典LIF神经元模型。不同仿真引擎对同一仿生脑模型的仿真结果应保持一致。为保证系统兼容性,本文修改部分NEST源码,新增经典LIF神经元模型,满足用户构建和仿真仿生脑模型时的神经元类型需求。本文系统采用前后端分离式开发架构,后端包括业务服务器和若干计算节点,业务服务器使用Django框架处理用户在前端发起的请求,计算节点负责具体的模型构建、仿真任务。同时本系统使用腾讯云提供的COS对象存储服务解决仿生脑模型相关文件存储问题,以及使用MPI消息传递接口实现系统后端计算节点间通信与构建模型时涉及的并行计算。本文首先介绍了系统开发涉及的相关技术和类脑计算领域相关知识,分别分析仿生脑模型构建系统的相关模型构建、模型转换、模型仿真等功能型需求和系统性能、安全等非功能型需求。其次,本文设计并实现面向特定仿真硬件的模型转换策略。再次,本文设计系统整体架构并划分具体功能模块,以及简要对模块间接口和数据存储进行说明。接着,结合时序图和类图详细介绍系统各功能模块实现方案。然后本文设计测试用例,测试系统功能模块运行情况,并分析测试结果。最后,本文总结全文工作内容,并针对系统实现过程中存在的不足提出改进方法。
基于类脑系统的仿生脑模型构建系统的设计与实现
这是一篇关于仿生脑模型,类脑计算,脑仿真,模型转换的论文, 主要内容为人类对大脑结构和功能的探索从未停止,脑科学和脑认知被许多国家视为人类科学领域“皇冠上的明珠”。继美国、欧盟和日本之后,我国在“十三五”国家科技创新规划中推出脑科学研究计划,明确提出发展类脑计算与脑机智能。随着类脑计算研究的推进,使用计算机或专用硬件执行大规模脑仿真,模拟神经信号在神经元内部的产生以及其在神经元之间的传递过程,这为人类研究生物脑运作机理提供一种有效手段。然而对生物脑抽象建模得到仿生脑模型,并部署到专用硬件上执行仿真,需要研究人员具备较强的计算机科学专业技术,无疑为相关研究增加了研究难度。为降低脑科学研究人员在对生物脑建模并部署仿真时的知识门槛,本文设计并实现了一个仿生脑模型构建系统,为相关研究人员提供一个对生物脑进行抽象建模和仿真的平台。本系统主要包括模型构建、模型转换、模型仿真、结果展示、模型管理、系统管理和日志管理等功能,为仿生脑模型的构建和仿真以及系统运行提供支撑。本文主要工作包括:1.仿生脑模型构建。本文根据实际应用场景,定义适用于本文系统的仿生脑模型相关文件的格式。本文系统根据用户提供的神经元、神经元簇等模型参数构建仿生脑模型,并使用结构化的模型描述文件和模型数据文件,记录仿生脑模型的结构信息和突触连接数据。2.模型转换策略设计与实现。本文系统基于某类脑系统,该类脑系统提供特制类脑芯片和类脑仿真引擎为仿生脑模型仿真提供支持。而特定硬件对仿生脑模型中神经元出度大小存在限制,出度超出限制的神经元在仿真过程中会带来额外的突触数据读取和脉冲信号传递的时间开销。此外在仿真过程中,仿真引擎需要比较神经元突触延迟和当前时间拍,两者一致时神经元之间才会传递脉冲信号。神经元之间各异的突触延迟会增加仿真引擎的判断分支,带来额外的时间开销。本文针对上述问题设计而向特定硬件的两种模型转换策略,对仿生脑模型进行定向转换,以在使用特定硬件仿真时加速模型仿真过程。3.NEST仿真器神经元模型库的扩展。本文系统集成了业界流行的NEST仿真器作为用户的仿真引擎备选。然而NEST仿真器缺少某类脑系统支持的经典LIF神经元模型。不同仿真引擎对同一仿生脑模型的仿真结果应保持一致。为保证系统兼容性,本文修改部分NEST源码,新增经典LIF神经元模型,满足用户构建和仿真仿生脑模型时的神经元类型需求。本文系统采用前后端分离式开发架构,后端包括业务服务器和若干计算节点,业务服务器使用Django框架处理用户在前端发起的请求,计算节点负责具体的模型构建、仿真任务。同时本系统使用腾讯云提供的COS对象存储服务解决仿生脑模型相关文件存储问题,以及使用MPI消息传递接口实现系统后端计算节点间通信与构建模型时涉及的并行计算。本文首先介绍了系统开发涉及的相关技术和类脑计算领域相关知识,分别分析仿生脑模型构建系统的相关模型构建、模型转换、模型仿真等功能型需求和系统性能、安全等非功能型需求。其次,本文设计并实现面向特定仿真硬件的模型转换策略。再次,本文设计系统整体架构并划分具体功能模块,以及简要对模块间接口和数据存储进行说明。接着,结合时序图和类图详细介绍系统各功能模块实现方案。然后本文设计测试用例,测试系统功能模块运行情况,并分析测试结果。最后,本文总结全文工作内容,并针对系统实现过程中存在的不足提出改进方法。
脑仿真环境中神经元模型参数化生成系统的设计与实现
这是一篇关于脑仿真,神经元模型,向量化,NESTML语言的论文, 主要内容为近年来,研究人员通过生物脑仿真来研究生物神经系统的运作机制和工作原理,为此提出了许多不同的脉冲神经元模型和脉冲神经网络结构,并搭建了脑仿真平台用于运行脉冲神经网络。在脑仿真环境中运行不同生物脑仿真任务需要构建不同的脉冲神经网络,这些神经网络通常也会采用不同神经元模型。针对脑仿真任务需求,提供不同神经元模型并减少神经元模型计算过程中产生的消耗是一个有价值的问题。本文主要研究“神经元模型参数化生成系统”的设计与实现。本文的主要工作如下:1)针对脑仿真平台中脉冲神经网络的神经元并行计算问题,基于脑仿真平台提供的类脑芯片原语,研究了神经元计算向量化方案。在此方案中,本文设计了向量化除法运算实现方案、向量化条件判断语句实现方案、支持向量化计算的神经元模型数据的静态内存分配方案。2)为了生成面向某脑仿真平台可定制化的神经元模型汇编语言程序文件,本文在系统中设计并实现了神经元模型生成模块。神经元模型生成模块中,基于仿真平台中的芯片原语库函数,编码实现了的支持神经元并行计算的脉冲神经元模型高级语言程序,芯片原语库函数在执行过程中能够生成与此函数对应的芯片汇编指令代码;神经元模型生成模块接收用户设置的神经元个数、神经元模型粒子电导等神经元参数值、神经元模型膜电位等状态变量初始值等参数设置后,执行模块中的脉冲神经元模型高级语言程序,得到可在某脑仿真平台上运行的参数化的神经元模型汇编语言程序文件。3)为了支持用户研究具有不同时序动力学模型的脉冲神经元,本文在系统中设计并实现了自定义神经元模型生成模块。该模块接受用户采用NESTML语言的四则运算操作、基础的条件判断语句定义的脉冲神经元模型。当用户所定义的脉冲神经元模型为可采用欧拉法求解其时序动力学模型时,本模块可生成能够在PyTorch库环境下运行的神经元模型Python代码文件。自定义神经元模型生成模块首先利用NESTML的文法处理工具解析用户输入的自定义神经元模型文本,得到自定义神经元模型的抽象语法树,其次提取该抽象语法树中的表达式与变量等关键信息,最后用一组指定的Jinja2模板文件生成神经元模型Python代码文件。本文讨论了神经元模型参数化生成系统的需求分析、设计与实现,最后完成了系统的测试分析,并总结了论文工作。
面向计算机集群的脑网络划分方法设计与实现
这是一篇关于脑仿真,脑网络,计算机集群,网络划分的论文, 主要内容为近年来,结合了计算机科学与脑科学的脑仿真研究成为人工智能领域新的发展方向,仿真大脑是为了更好地理解大脑,为实现通用人工智能探索路径。但是大脑神经网络的复杂性使得仿真大脑对计算资源提出了较高要求,以传统的CPU/GPU或者神经形态芯片为基础构建的高性能计算机集群成为脑仿真的主要硬件。如何在计算机集群上实现高效地仿真大脑是一个值得探究的问题。本文主要研究在利用计算机集群仿真大脑时,如何划分脑网络以实现高效地仿真。本文设计了面向计算机集群的脑网络划分算法,脑网络划分算法能根据计算机节点的数量将脑网络划分为相应数量的子网络。脑网络划分算法的研究包含以下三个内容:(1)本文分析了脑网络划分问题以及计算机集群仿真脑网络的主要过程,明确了划分脑网络的最终目的是缩短计算机集群仿真脑网络的时间,由此得出影响仿真时间的主要因素是通信开销和计算开销,并且可以从减少通信量和均衡计算开销两方面考虑划分脑网络。(2)本文说明了以神经元簇为基本单位划分脑网络的原因。(3)为了均衡每个计算机节点的计算开销,本文设计了基于突触数量的脑网络划分算法,以神经元簇为基本单位,根据神经元簇对应的突触数量来划分脑网络,得到指定数量的子网络,每个子网络对应的突触数量总和大致相等;为了减少计算机集群的通信开销,本文设计了基于Louvain算法的脑网络划分算法,先将待划分的脑网络转化为以神经元簇为节点的无向有权网络,然后利用Louvain算法划分无向有权网络,在划分过程中记录每次划分的结果,根据给定的计算机节点数量寻找合适的划分结果。同时,本文在突触计算量、通信量和仿真时间三个方面对基于突触数量脑网络划分算法和基于Louvain算法的脑网络划分算法进行了比较分析。本文还实现了脑网络划分的原型系统。首先分析了系统的需求,总结出用户登录、用户注册、上传脑网络连接文件、自定义脑网络连接、划分脑网络、查看所有划分结果、查看划分结果详情和结果分析七个功能需求。其次对原型系统进行了设计与实现,分别说明了系统的总体设计和每个模块的设计,其中在自定义脑网络连接功能中使用了 NEST仿真器提供的方法。最后对系统进行了测试,表明系统可以对脑网络进行划分并展示划分结果。
基于类脑系统的仿生脑模型构建系统的设计与实现
这是一篇关于仿生脑模型,类脑计算,脑仿真,模型转换的论文, 主要内容为人类对大脑结构和功能的探索从未停止,脑科学和脑认知被许多国家视为人类科学领域“皇冠上的明珠”。继美国、欧盟和日本之后,我国在“十三五”国家科技创新规划中推出脑科学研究计划,明确提出发展类脑计算与脑机智能。随着类脑计算研究的推进,使用计算机或专用硬件执行大规模脑仿真,模拟神经信号在神经元内部的产生以及其在神经元之间的传递过程,这为人类研究生物脑运作机理提供一种有效手段。然而对生物脑抽象建模得到仿生脑模型,并部署到专用硬件上执行仿真,需要研究人员具备较强的计算机科学专业技术,无疑为相关研究增加了研究难度。为降低脑科学研究人员在对生物脑建模并部署仿真时的知识门槛,本文设计并实现了一个仿生脑模型构建系统,为相关研究人员提供一个对生物脑进行抽象建模和仿真的平台。本系统主要包括模型构建、模型转换、模型仿真、结果展示、模型管理、系统管理和日志管理等功能,为仿生脑模型的构建和仿真以及系统运行提供支撑。本文主要工作包括:1.仿生脑模型构建。本文根据实际应用场景,定义适用于本文系统的仿生脑模型相关文件的格式。本文系统根据用户提供的神经元、神经元簇等模型参数构建仿生脑模型,并使用结构化的模型描述文件和模型数据文件,记录仿生脑模型的结构信息和突触连接数据。2.模型转换策略设计与实现。本文系统基于某类脑系统,该类脑系统提供特制类脑芯片和类脑仿真引擎为仿生脑模型仿真提供支持。而特定硬件对仿生脑模型中神经元出度大小存在限制,出度超出限制的神经元在仿真过程中会带来额外的突触数据读取和脉冲信号传递的时间开销。此外在仿真过程中,仿真引擎需要比较神经元突触延迟和当前时间拍,两者一致时神经元之间才会传递脉冲信号。神经元之间各异的突触延迟会增加仿真引擎的判断分支,带来额外的时间开销。本文针对上述问题设计而向特定硬件的两种模型转换策略,对仿生脑模型进行定向转换,以在使用特定硬件仿真时加速模型仿真过程。3.NEST仿真器神经元模型库的扩展。本文系统集成了业界流行的NEST仿真器作为用户的仿真引擎备选。然而NEST仿真器缺少某类脑系统支持的经典LIF神经元模型。不同仿真引擎对同一仿生脑模型的仿真结果应保持一致。为保证系统兼容性,本文修改部分NEST源码,新增经典LIF神经元模型,满足用户构建和仿真仿生脑模型时的神经元类型需求。本文系统采用前后端分离式开发架构,后端包括业务服务器和若干计算节点,业务服务器使用Django框架处理用户在前端发起的请求,计算节点负责具体的模型构建、仿真任务。同时本系统使用腾讯云提供的COS对象存储服务解决仿生脑模型相关文件存储问题,以及使用MPI消息传递接口实现系统后端计算节点间通信与构建模型时涉及的并行计算。本文首先介绍了系统开发涉及的相关技术和类脑计算领域相关知识,分别分析仿生脑模型构建系统的相关模型构建、模型转换、模型仿真等功能型需求和系统性能、安全等非功能型需求。其次,本文设计并实现面向特定仿真硬件的模型转换策略。再次,本文设计系统整体架构并划分具体功能模块,以及简要对模块间接口和数据存储进行说明。接着,结合时序图和类图详细介绍系统各功能模块实现方案。然后本文设计测试用例,测试系统功能模块运行情况,并分析测试结果。最后,本文总结全文工作内容,并针对系统实现过程中存在的不足提出改进方法。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://bishedaima.com/lunwen/55009.html
