生物神经网络仿真的方法和工具

J4 ›› 2012, Vol. 34 ›› Issue (1): 137-142.

生物神经网络仿真的方法和工具

张百达

(并行与分布处理国防科技重点实验室，湖南长沙 410073)

收稿日期:2011-02-21 修回日期:2011-05-28 出版日期:2012-01-25 发布日期:2012-01-25
基金资助:
国家自然科学基金资助项目(61003082,60873014)

Methods and Tools for the Simulation of Neural Networks

ZHANG Baida

(National Laboratory for Parallel and Distributed Processing,Changsha 410073,China)

Received:2011-02-21 Revised:2011-05-28 Online:2012-01-25 Published:2012-01-25

摘要/Abstract

摘要：

大脑作为人体的关键器官，其复杂程度非常高，被了解的也最少。为了研究与大脑相关的疾病和人类智能的机理，出现了新的学科——神经网络的仿真。神经网络仿真是和传统的神经网络算法完全不同的一个领域，属于信息学、生物学、计算机科学、仿真等多个领域相互交叉的学科。本文介绍了神经网络仿真的基本原理以及国外出现的开源工具和支撑项目，并对存在的仿真建模工具进行了全面的比较，以便于用户根据自身建模的需要选择合适的工具。文章对生物神经网络仿真的计算量进行了评估，并结合我国最新研制的天河1A超级并行计算机讨论了并行生物神经网络仿真的前景。

关键词: 仿真, 神经网络, 计算复杂性

Abstract:

As the most important part of human, brain is very complex. Because of the advantage to treat the disease of brain and understand the intelligence of humans, a new subject has emerged, i.e. the simulation of neural networks, which is a field that is very different to the traditional neural network algorithms. It is an interdisciplinary of informatics, biology, computer science and simulation. In this paper, the principle of the simulation of neural networks is introduced; open source toolboxes and relative projects are listed for the purpose to facilitate the user to choose suitable tools for his modeling work. The complexity is computed and the future of parallel simulation of neural networks is discussed based on the Tianhe1A supercomputer.

Key words: simulation;neural networks;computing complexity

张百达. 生物神经网络仿真的方法和工具[J]. J4, 2012, 34(1): 137-142.

ZHANG Baida. Methods and Tools for the Simulation of Neural Networks[J]. J4, 2012, 34(1): 137-142.

参考文献［17］

［1］	Maass W. Networks of Spiking Neurons: the Third Generation of Neural Network Models［J］. Neural Networks,1997,10(9):16591671.
［2］	Goddard N H,Hood G. Parallel Genesis for LargeScale Modeling［M］. Plenum Press,1997.
［3］	Goodman D F,Brette R. The Brian Simulator［J］. Frontiers in Neuroscience,2009,3(2):192197.
［4］	Bower J M, Beeman D,Wylde A M. The Book of GENESIS: Exploring Realistic Neural Models with the GEneral NEural SImulation System［M］.Telos, 1998.
［5］	Carnevale N T,Hines M L. The NEURON Book［M］.Cambridge Univ Press, 2006.
［6］	Delorme A, Gautrais J, Van R R,et al.SpikeNET: A Simulator for Modeling Large Networks of Integrate and Fire Neurons［C］∥Proc of Neurocomputing, 1999:989996.
［7］	Davison AP, Br D, Eppler J, et al. PyNN: A Common Interface for Neuronal Network Simulators［J］.Frontiers in Neuroinformatics, 2008,2(11).
［8］	Gewaltig M O,Diesmann M.NEST(Neural Simulation Tool)［J］.Scholarpedia,2007,2(4):1430.
［9］	Markram H.The Blue Brain Project［J］.Nature Reviews Neuroscience,2006,7(2):153160.
［10］	Meier K. The FACETS Project［EB/OL］.［20110425］.http://facets.kip.uniheidelberg.de.
［11］	Gerstner W,Kistler W M. Spiking Neuron Models［M］. Cambridge University Press Cambridge, 2002.
［12］	Vreeken J. Spiking Neural Networks, an Introduction［R］. Technical Report UUCS2003008,Institute for Information and Computing Sciences, Utrecht University, 2002.
［13］	Izhikevich E M.Simple Model of Spiking Neurons［J］. IEEE Transactions on Neural Networks, 2004,14(6):15691572.
［14］	Bhalla U S, Bilitch D H,Bower J M. Rallpacks: A Set of Benchmarks for Neuronal Simulators［J］.Trends in Neurosciences,1992,15(11):453458.
［15］	Pecevski D, Natschl T,Schuch K. PCSIM: A Parallel Simulation Environment for Neural Circuits Fully Integrated with Python［J］.Frontiers in Neuroinformatics, 2009,311.
［16］	Brette R, Rudolph M, Carnevale T, et al. Simulation of Networks of Spiking Neurons: A Review of Tools and Strategies［J］.Journal of Computational Neuroscience,2007,23(3):349398.
［17］	Eppler J M, Helias M, Muller E, et al. PyNEST: A Convenient Interface to the NEST Simulator［J］.Frontiers in Neuroinformatics,2008,2:12.

[1]	黄晓鹏1，黄传河1，农黄武1，杨丹凤1，杨金羚2. SDN中的端到端时延[J]. J4, 20160101, 38(01): 67-72.
[2]	余子丞, 凌捷. 基于Transformer和多特征融合的DGA域名检测方法[J]. 计算机工程与科学, 2023, 45(08): 1416-1423.
[3]	刘俊奇, 涂文轩, 祝恩. 图卷积神经网络综述[J]. 计算机工程与科学, 2023, 45(08): 1472-1481.
[4]	易啸, 马胜, 肖侬. 深度学习加速器在不同剪枝策略下的运行优化[J]. 计算机工程与科学, 2023, 45(07): 1141-1148.
[5]	刘阳, 粟航, 何倩, 申普, 刘鹏. 基于云-边协同变分自编码神经网络的设备故障检测方法[J]. 计算机工程与科学, 2023, 45(07): 1188-1196.
[6]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[7]	王剑, 姜林, 王琳钦, 余正涛, 张松, 高盛祥, . 基于BiLSTM的低资源老挝语文本正则化任务[J]. 计算机工程与科学, 2023, 45(07): 1292-1299.
[8]	曹健, 陈怡梅, 李海生, 蔡强, . 基于图神经网络的行人轨迹预测研究综述[J]. 计算机工程与科学, 2023, 45(06): 1040-1053.
[9]	余泽鹏, 安业腾, 张烁, 杨自兴, 陆继翔, 曹蓉蓉, 陈轶洲, 李文中, 陆桑璐. 基于会话嵌入的应用程序使用预测[J]. 计算机工程与科学, 2023, 45(06): 1079-1086.
[10]	王扬, 陈智斌. 一种求解CVRP的动态图转换模型[J]. 计算机工程与科学, 2023, 45(05): 859-868.
[11]	排日旦·阿布都热依木, 吐尔地·托合提, 艾斯卡尔·艾木都拉, . 基于深度学习的实体关系抽取方法研究[J]. 计算机工程与科学, 2023, 45(05): 895-902.
[12]	董芃杉, 张晶, 金日泽. 基于双通道门控复合网络的中文产品评论情感分析[J]. 计算机工程与科学, 2023, 45(05): 911-919.
[13]	刘子建, 丁维龙, 邢梦达, 李寒, 黄晔. Conv-WGAIN：面向多元时序数据缺失的卷积生成对抗插补网络模型[J]. 计算机工程与科学, 2023, 45(05): 931-939.
[14]	王玉雷, 谢凯亮, 陈思贇, 胡杰, 常胜. 卷积神经网络硬件加速的通用性设计[J]. 计算机工程与科学, 2023, 45(04): 577-581.
[15]	史册, 南新元. 改进InceptionV3与迁移学习的太阳能电池板缺陷识别[J]. 计算机工程与科学, 2023, 45(04): 646-653.