[发明专利]一种脉冲神经网络建模方法、系统及其应用

说明书

本发明涉及一种脉冲神经网络建模方法、系统及其应用，先构建指数型积分放电脉冲神经元模型，然后基于待模拟真实神经网络的空间信息对所有神经元进行选择性连接，得到对应于待模拟真实神经网络的脉冲神经网络，空间信息包括网络结构约束信息、神经元位置信息以及子模块位置信息，并基于固定时间步长对该脉冲神经网络的状态进行计算，进而能更准确的模拟不同刺激下真实神经元的反应，并且能更为精准的建模真实神经网络的连通关系，更为准确的建立用于模拟生物活体神经回路和体外培养神经网络的脉冲神经网络，从而为研究隐藏在生物记忆和学习行为背后的神经信号处理和传输奠定基础。

技术领域

本发明涉及计算神经科学与人工智能交叉技术领域，特别是涉及一种基于空间信息的脉冲神经网络建模方法、系统及其应用。

背景技术

近年来，脉冲神经网络因其相对于其他人工神经网络更仿生，网络结构更紧凑，训练能耗更小等特点，在人工智能领域得到了广泛研究。最新研究表明，在自动驾驶领域，仅包含数十个人工神经元的脉冲神经网络在决策功能上能达到与传统深度卷积神经网络相近的水平。不仅在人工智能领域展现出巨大的发展前景，脉冲神经网络更为传统和基础的应用—模拟真实的生物神经网络的功能性，也在脑科学和计算神经科学领域取得了长足的进展。目前，人工脉冲神经元已能准确地预测和呈现出接受外界电刺激的单个生物神经元的反应，包括实时的膜电位和脉冲发放时间。在能准确模拟单个生物神经元状态的基础上，脉冲神经网络建模成为了研究生物活体神经回路或体外培养神经网络和解释甚至破解其编解码方式的主流手段。

根据真实测量的生物活体神经回路或体外培养神经网络的重要参数，如神经元间的连通概率，平均静息膜电位，脉冲发放的阈值，突触后电位的强度等，神经科学家们能建模出对应的脉冲神经网络，并研究其自发电活动、信息处理、信号传导以及记忆和学习等功能。而这一切的基础，建立在对生物活体神经回路或体外培养神经网络中神经元间的功能性连接关系的准确再现上。由于难以准确、无伤且高通量地确定参与信息处理的每一神经元与网络中其他神经元的连通关系，目前的主流方法是随机选择数对神经元，确定其连通关系，进而基于统计手段估计整个网络中的平均连通概率，从而基于这一参数生成随机连接的，对应真实神经网络的脉冲神经网络。然而，由于生物活体神经回路和部分体外培养神经网络呈现出模块化和分布式的特点，而非均匀分布的整体神经网络，模块内外连通概率的差异、结构约束对连通概率的影响等均需要得到考虑，导致上述方法所建立得到的脉冲神经网络模拟精度低。

发明内容

本发明的目的是提供一种脉冲神经网络建模方法、系统及其应用，基于空间信息来更为准确的建立用于模拟生物活体神经回路和体外培养神经网络的脉冲神经网络，更为精准的建立网络动态特性与单个神经元的实时状态之间的联系，从而为研究隐藏在生物记忆和学习行为背后的神经信号处理和传输奠定基础。

为实现上述目的，本发明提供了如下方案：

一种脉冲神经网络建模方法，所述建模方法包括：

构建指数型积分放电脉冲神经元模型；所述指数型积分放电脉冲神经元模型用于基于接收到的所有输入电流改变膜电位；

基于待模拟真实神经网络的空间信息对所有神经元进行选择性连接，得到对应于所述待模拟真实神经网络的脉冲神经网络；所述空间信息包括网络结构约束信息、神经元位置信息以及子模块位置信息；每一所述神经元均采用所述指数型积分放电脉冲神经元模型。

一种脉冲神经网络建模系统，所述建模系统包括：

构建模块，用于构建指数型积分放电脉冲神经元模型；所述指数型积分放电脉冲神经元模型用于基于接收到的所有输入电流改变膜电位；

连接模块，用于基于待模拟真实神经网络的空间信息对所有神经元进行选择性连接，得到对应于所述待模拟真实神经网络的脉冲神经网络；所述空间信息包括网络结构约束信息、神经元位置信息以及子模块位置信息；每一所述神经元均采用所述指数型积分放电脉冲神经元模型。