Modelowanie ukladu nerwowego

Slides:



Advertisements
Podobne prezentacje
Wstęp do Informatyki, część 1
Advertisements

Włodzisław Duch Katedra Informatyki Stosowanej,
Wstęp do Informatyki, WSZ, część 1
Sieć jednokierunkowa wielowarstwowa
Życiorys mgr inż. Krzysztof Bruniecki Katedra Systemów Geoinformatycznych WETI PG Urodzony: r. Wykształcenie: studia na kierunku.
Inżynieria Oprogramowania 10. Szacowanie kosztu oprogramowania cz. 2
Integracja w neuronie – teoria kablowa
Spektrum autyzmu: zintegrowana teoria
przetwarzaniu informacji
PracaO teorii miary w ogólnej teorii mnogości" była ona tematycznie związana z badaniami prowadzonymi przez Banacha i Kuratowskiego w teorii miary. Wyniki.
Modelowanie symulacyjne
Jak rozwój technologii informatycznych zmieni nasze życie za lat?
Sygnały bioelektryczne

HH model - bramki Pomiary voltage clamp dla różnych wartości V pozwoliły HH postawić hipotezę, że kanał Na posiada bramkę aktywacyjną i bramkę inaktywacyjną.
Ekonomia eksperymentalna – wczesne fazy rozwoju
Wydział Podstawowych Problemów Techniki (WPPT) wppt. pwr
Mgr inż. Bartłomiej Stasiak Instytut Informatyki Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej Politechnika Łódzka Data i miejsce.
mgr inż. Krzysztof E. Oliński Katedra Systemów Decyzyjnych WETI PG
Życiorys Urodzony: Wykształcenie:
mgr inż. Adam Łukasz Kaczmarek Katedra Inżynierii Wiedzy, WETI PG
mgr Paweł Noga Katedra Algorytmów i Modelowania Systemów. WETI PG
mgr inż. Adam Ryszewski Katedra Inżynierii Wiedzy WETI PG
Życiorys mgr inż. Jacek Siciarek Katedra Inteligentnych Systemów Interaktywnych, WETI PG Urodzony: r. Wykształcenie, praca zawodowa: od 2010 studia.
mgr inż. Michał Joachimczak Instytut Oceanologii PAN, Sopot
Nanosystemy informatyki zagadnienia i literatura
‘Wykorzystanie technologii obliczeń
Oferta szkoleniowa Ośrodka rok szkolny 2009/10 semestr letni Ośrodek Edukacji Informatycznej i Zastosowań Komputerów.
Numeryczne modelowanie przepływów laminarnych w mikrokanałach
TECHNOLOGIE INFORMACYJNE
Algorytmy i struktury danych Dodawanie wielomianów
Przemiany energii w organizmie człowieka - projekt IT for US
Rozpoznawanie twarzy Wprowadzenie Algorytmy PCA ICA
PORZĄDEK WŚRÓD INFORMACJI KLUCZEM DO SZYBKIEGO WYSZUKIWANIA
Technologia informacyjna
MATHEMATICS WITHOUT BORDERS - MATHEMATICS IN DIFFERENT AREAS OF OUR LIFE MATEMATYKA BEZ GRANIC – MATEMATYKA W RÓŻNYCH DZIEDZINACH NASZEGO ŻYCIA ETWINNING.
OTWARCIE NOWEJ SIEDZIBY INSTYTUTU PODSTAW INFORMATYKI PAN
Uczenie w Sieciach Rekurencyjnych
Politechnika Łódzka Instytut Elektroniki
Mikroprocesory.
Mikroprocesory mgr inż. Sylwia Glińska.
Wstęp do ekonomiki informacji
Institute of Computer Science PAS Warsaw, The Project is co-financed by the European Union from resources of the European Social Found.
(poza biologiczne ograniczenia) fantazja czy rzeczywistość ?
choroby układu krążenia (miażdżyca, udar)
1. Współczesne generacje technologii
HERMAN WEYL Karolina Wyszyńska Karolina Zimna Karolina Zwolińska
Robert John Aumann i Thomas Crombie Schelling Ekonofizyka, Metody Fizyki dla rynków finansowych , Katowice.
Aksjomaty Euklidesa.
Filtr Kalmana (z ang. Kalman Filter w skrócie KF)
C OMPUTER. P ODZESPOŁY KOMPUTEROWE - C OMPUTER COMPONENTS.
Europejska Przestrzeń Badawcza (ERA) Grzegorz Karwasz Zakład Dydaktyki Fizyki UMK Toruń Handel zagraniczny Uniwersytet Gdański 1982.
mgr inż. Michał Czubenko Katedra Systemów Decyzyjnych WETI PG
Modelowanie układu nerwowego (computational neurosicence)
CIRCUITS and SYSTEMS – part II Prof. dr hab. Stanisław Osowski Electrical Engineering (B.Sc.) Projekt współfinansowany przez Unię Europejską w ramach Europejskiego.
Wybrane zagadnienia inteligencji obliczeniowej Zakład Układów i Systemów Nieliniowych I-12 oraz Katedra Mikroelektroniki i Technik Informatycznych proponują.
Od Feynmana do Google’a Rafał Demkowicz-Dobrzański,, Wydział Fizyki UW.
Efekt fotoelektryczny
Wizualizacja zbiorów Biblioteki Głównej Politechniki Warszawskiej według dziedzin nauki na podstawie UKD Stan na październik 2015 Cel: Zilustrowanie zawartości.
Zmiany w programie kierunku Kognitywistyka
Modele integrate and fire
A prototype of distributed modelling environment
Włodzisław Duch Katedra Informatyki Stosowanej,
nie-biologiczna ewolucja inteligencji: w stronę superinteligencji?
Computing situation in Poland
IEEE SPMP Autor : Tomasz Czwarno
zl
1) What is Linux 2) Founder and mascot of linux 3) Why Torvalds created linux ? 4) System advantages and disadvantages 5) Linux distributions 6) Basic.
Programowanie sieciowe Laboratorium 3
Zapis prezentacji:

Modelowanie ukladu nerwowego Semestr zimowy 2013/14

Spis zagadnien Elektryczne własności neuronów Prądy jonowe Kanały napięciowozależne Modele punktowe Model Integrate-and-Fire Model Hodgkina-Huxleya Modele synapsy Teoria kablowa, model Ralla Modele realistyczne neuronów Modele małych sieci Analiza pobudliwości i oscylacji Modele dużych sieci.

Literatura Nicholas T. Carnevale, Michael L. Hines, The NEURON Book (free pdf) Peter Dayan and Laurence F. Abbott Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems (free pdf) Wulfram Gerstner and Werner M. Kistler, Spiking Neuron Models: Single Neurons, Populations, Plasticity (free html) G. Bard Ermentrout and David H. Terman, Mathematical Foundations of Neuroscience (free pdf)

Modelowanie układu nerwowego (computational neurosicence) Modelowanie układu nerwowego zajmuje sie badaniem funkcji mózgu pod kątem procesowania informacji w strukturach układu nerwowego. Jest to dziedzina interdyscyplinarna łącząca takie dziedziny nauki jak: badanie układu nerwowego, kongnitywistyka, psychologia z inżynierią, informatyką, matematyką i fizyką. Computational neuroscience is the study of brain function in terms of the information processing properties of the structures that make up the nervous system. It is an interdisciplinary science that links the diverse fields of neuroscience, cognitive science, and psychology with electrical engineering, computer science, mathematics, and physics. (http://en.wikipedia.org/wiki/Computational_neuroscience)

Modelowanie układu nerwowego - początki Pojęcie “Modelowanie układu nerwowego” (“ computational neuroscience”) zostało wprowadzone w roku 1985 na konferencji w Caramel (Kalifornia). Prace z modelowania matematycznego neuronów pojawiały sie juz wczesniej: Louis Lapicque - Integrate and fire neuron (1907) Model Hodgkina-Huxleya (1952) Wilfrid Rall - teoria kablowa zastosowana do neuronów (1957) David Marr – obliczeniowe teorie działania móżdżku (1969), kory nowej (1970) i hipokampa (1971).

Modelowanie układu nerwowego – czasy obecne BLUE BRAIN: 2005, pod kierownictwem Henryego Markrama, zespół neuronaukowców i informatyków z École Polytechnique Fédérale de Lausanne, w Szwajcarii, przeprowadzil na supercomputerze IBM symulacje 1cm2 kory mózgowej. C2: 2009, zespół IBM Almaden (Kalifornia), zbudował symulator kory mózgowej na superkomuterach Dawn Blue Gene/P w Lawrence Livermore National Laboratory. Symulator C2 zawiera 109 neuronów i 1012 synaps, co odpowiada mózgowi małego ssaka. NEUROGRID: Kwabena Boahen z Uniwersytetu Stanforda opracował krzemowy układ scalony do symulacji aktywnosci I nauki 105 neuronow i 109 synaps. Celem badan sa implanty retinowe. IFAT 4G: na Johns Hopkins University, Ralph Etienne-Cumming opracował Integrate and Fire Array Transceiver IV generacji, składający się z 60 000 neuronów i 120 milionów synaps. Wcześniejsza wersja tego układu była zastosowana jako model kory wzrokowej do rozpoznawania przedmiotów. BRAINSCALES: projekt EU, ktorego celem jest układ scalony Fast Analog Computing with Emergent Transient States (FACETS) odtwarzający własności układu nerwowego. Realistyczne neurony zawierają do 16 000 synaps. HUMAN BRAIN PROJECT: celem projektu jest symulacja ludzkiego mózgu (budzet 100 milionow Euro).

Modelowanie układu nerwowego – czasy obecne The IBM Brain Wall – narzędzie do wizualizacji jednoczesnej aktywności 262,144 neuronów. Każdy neuron jest reprezentowany przez pojedynczy pixel. Większe sieci mogą być wizualizowane poprzez grupowanie wielu neuronów w pixele.

Mózg vs. komputer

DARPA SyNAPSE Program SyNAPSE - Systems of Neuromorphic Adaptive Plastic Scalable Electronics Projekt 2008 – 2016 (budzet dotychczasowy 2013, 102 miliony USD ) Cel: układ mikroprocesorów odtwarzajacy 1010 neuronow, 1014 synaps, pobór mocy: 1 kW, objętość: 2 litry ~ ludzki mózg (pobor mocy 20 W). Sposób: układ wielordzeniowych mikroprocesorów, każdy scalony z milionem memristorów Macierz memristorów zintegrowana z obwodem CMOS (mikroprocesorem)

Dlaczego modelowanie? Aby zrozumiec dzialanie mozgu, potrzebne jest uzyskanie informacji z wielu roznych kategorii: Anatomia poszczegolnych neuronow, ich polaczen, grup (ang. nuclei) i wyzszego poziomu organizacji (obwody) Farmakologia kanalow jonowych, neuroprzekaznikow, modulatorow I receptorow Biochemia i biologia molekularna enzymow, czynnikow wzrostu I genow bioracych udzial w rozwoju I dzialaniu mozgu, percepcji, zachowaniu, uczeniu I chorobach. Uzyskanie tej wiedzy jest konieczne ale nie wystarczajace do pelnego zrozumienia funkcjonowania mózgu. Procesowanie informacji zalezy od rozchodzenia sie I oddzialywania sygnalow chemicznych I elektrycznych w czasie i w przestrzeni. Sygnaly te sa regulowane I generowane przez zlozone nieliniowe mechanizmy i zlozone struktury anatomiczne. Hipotezy dotyczace tych mechanizmow I sygnalow wymaja weryfikacji, ktora mozna przeprowadzic na modelu obliczeniowym. Modelowanie jest zatem niezwykle cennym sposobem na uzykanie wgladu w działanie mozgu. Symulacje sa w stanie zmaksymalizowac stosunek uzykanego wgladu do wlozonego wysilku.

Kroki w tworzeniu modelu Model koncepcyjny zawiera najwazniejsze skladowe, ktore leza u podstaw danej funkcji lub wlasnosci układu fizycznego. Opracowanie modelu koncepcyjnego wymaga uproszczenia I abstrahowania. Model koncepcyjny jest najczęściej wyrażony w postaci równań matematycznych, czasem w formie algorytmu komputerowego. Model obliczeniowy jest wiernym przelozeniem modelu koncepcyjnego na symulacje komputerowa.

Kroki w tworzeniu modelu - przykład Jezyk hoc (High Order Calculator) – język interpretowany do pisania skryptow w symulatorze Neuron

Dostępne symulatory BRIAN, a Python based simulator Emergent, neural simulation software. GENESIS, a general neural simulation system. ModelDB, a large open-access database of program codes of published computational neuroscience models. Nengo, a Python scriptable, GUI simulator for large-scale neural models NEST, a simulation tool for large neuronal systems. Neuroconstruct, software for developing biologically realistic 3D neural networks. NEURON, a neuron simulator also useful to simulate neural networks. SNNAP, a single neuron and neural network simulator tool. ReMoto, a web-based simulator of the spinal cord and innervated muscles of the human leg. EDLUT, a simulation software for large-scale neural networks and real-time control systems. http://en.wikipedia.org/wiki/Computational_neuroscience