一种基于即时编译的神经动力学仿真方法及装置制造方法及图纸

本发明专利技术公开了一种基于即时编译的神经动力学仿真方法及装置。该仿真方法包括如下步骤：在高级编程语言中设置神经动力学模型所需的模型支持，并构建神经动力学模型的相关更新函数；根据神经动力学模型的相关更新函数、预设连接规则和神经元群之间突触连接的基本信息，构建神经动力学模型；使用即时编译方法对构建好的神经动力学模型进行动力学模拟，或者基于抽象语言树解析对构建好的神经动力学模型进行动力学分析，并按要求输出相应的结果。利用本发明专利技术，能够有效地满足神经动力学仿真编程中用户的易学易用、灵活透明、模拟分析一体化和运行高效的基本需求。

【技术实现步骤摘要】
一种基于即时编译的神经动力学仿真方法及装置
本专利技术涉及一种基于即时编译的神经动力学仿真方法，同时也涉及相应的神经动力学仿真装置，属于计算神经科学

技术介绍
计算神经科学是一门迅猛发展的高度交叉的新学科，其目标是使用神经动力学模型对生物大脑进行建模，以便于对大脑的工作原理进行模拟和分析。同时，该门学科也为人工智能的发展提供了新的思想和模型，其起到了脑科学与类脑智能之间的桥梁作用。当前主流的神经动力学仿真平台有NEURON、NEST、BRIAN2。NEURON和NEST提供了Python编程语言的接口，允许用户直接调用预定义的内置神经动力学模型。然而，一旦用户需要自定义神经动力学模型，就需要学习底层C++/SLI/Hoc等编程语言。因此用户的学习成本较高，并严重限制了神经动力学模型自定义的灵活性。BRIAN2提供了一种字符串编程的方法。允许用户输入字符串来定义满足神经动力学仿真方法假设的神经元或突触模型，再据此生成C++代码。通过这种方式，用户可基于BRIAN2方便快捷地定义神经动力学模型，并获得较好的仿真速度。这种被本文档来自技高网...

【技术保护点】
1.一种基于即时编译的神经动力学仿真方法，其特征在于包括如下步骤：/n步骤S1、在高级编程语言中设置神经动力学模型所需的模型支持，并构建所述神经动力学模型的相关更新函数；/n步骤S2、根据所述神经动力学模型的相关更新函数、预设连接规则和神经元群之间突触连接的基本信息，构建所述神经动力学模型；/n步骤S3、使用即时编译方法对构建好的神经动力学模型进行动力学模拟，或者基于抽象语言树解析对构建好的神经动力学模型进行动力学分析，并按要求输出相应的结果。/n

【技术特征摘要】
1.一种基于即时编译的神经动力学仿真方法，其特征在于包括如下步骤：
步骤S1、在高级编程语言中设置神经动力学模型所需的模型支持，并构建所述神经动力学模型的相关更新函数；
步骤S2、根据所述神经动力学模型的相关更新函数、预设连接规则和神经元群之间突触连接的基本信息，构建所述神经动力学模型；
步骤S3、使用即时编译方法对构建好的神经动力学模型进行动力学模拟，或者基于抽象语言树解析对构建好的神经动力学模型进行动力学分析，并按要求输出相应的结果。


2.如权利要求1所述的基于即时编译的神经动力学仿真方法，其特征在于：
所述相关更新函数是指所述神经动力学模型中，每个神经元和突触的更新函数；
对于微分方程为常微分方程时，构建每个神经元或突触的更新函数时，计算每个神经元或突触的各个微分方程分别从上一时刻～下一时刻的神经元或突触的状态变量的函数值，并分别调用每个微分方程得到的神经元或突触的状态变量的函数进行积分操作后，整合成一个积分函数，作为每个神经元或突触的更新函数；
对于所述微分方程为随机微分方程时，构建每个神经元或突触的更新函数时，计算每个神经元或突触的各个微分方程分别从上一时刻～下一时刻的神经元或突触的状态变量的函数值与随机函数值，并分别调用每个微分方程得到的神经元的状态变量的函数与随机函数进行积分操作后，整合成一个积分函数，作为每个神经元或突触的更新函数。


3.如权利要求2所述的基于即时编译的神经动力学仿真方法，其特征在于：
当所述微分方程为常微分方程时，对任意一个所述微分方程进行积分操作的实现方式为：
定义神经元或突触的状态变量以及状态变量函数相关的其他一些参数或变量；
计算t时刻神经元或突触的状态变量的函数值；
将t时刻～t+1时刻的神经元或突触的状态变量的函数值叠加后，调用该微分方程得到的神经元或突触的状态变量的函数进行积分操作。


4.如权利要求2所述的基于即时编译的神经动力学仿真方法，其特征在于：
当所述微分方程为随机微分方程时，对任意一个所述微分方程进行积分操作的实现方式为：
定义神经元或突触的状态变量以及状态变量函数相关的其他一些参数或变量；
计算t时刻神经元或突触的状态变量的函数值与随机函数值；
将t时刻～t+1时刻的神经元或突触的状态变量的函数值叠加后，调用所述微分方程得到的神经元或突触的状态变量的函数进行积分操作，同时将t时刻～t+1时刻的神经元或突触的状态变量的随机函数值叠加后，调用所述微分方程得到的神经元或突触的状态变量的随机函数进行积分操作。


5.如权利要求2所述的基于即时编译的神经动力学仿真方法，其特征在于构建所述神经动力学模型包括如下步骤：
步骤S22、分别设置神经元模型、突触模型和神经元群的基本信息；
步骤S23、根据预设连接规则和神经元群之间突触连接的基本信息，构建神经动力学模型。


6.如权利要求5所述的基于即时编译的神经动力学仿真方法，其特征在于：
设置所述神经元模型或所述突触模型的基本信息包括名称、用户所需的所述神经元模型或所述突触模型的参数、每个神经元或突触从t时刻～t+1时刻的更新函数；
设置所述神经元群的基本信息包括所述神经元群可指定神经元模型、所述神经元群中神经元的几何结构、需要监控历史轨迹的变量、满足神经元模型需求的实例化数据；
所述预设连接规则为所述神经元群之间的连接规则，包括一对一、全连接、随机连接、高斯概率连接、最近邻连接等拓扑连接结构，并支持用户网络连接的定制化。


7.如权利要求1所述的基于即时编译的神经动力学仿真方法，其特征在于使用即时编译方法对构建好的神经动力学模型进行动力学模拟，包括如下步骤：

【专利技术属性】
技术研发人员：王超名，吴思，
申请(专利权)人：北京大学，北京智源人工智能研究院，
类型：发明
国别省市：北京;11