論文の概要: A synchronization-capturing multi-scale solver to the noisy integrate-and-fire neuron networks

• arxiv url: http://arxiv.org/abs/2305.05915v1
• Date: Wed, 10 May 2023 05:58:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 14:18:50.407601
• Title: A synchronization-capturing multi-scale solver to the noisy integrate-and-fire neuron networks
• Title（参考訳）: 雑音性集積・発火ニューロンネットワークに対する同期型マルチスケールソルバ
• Authors: Ziyu Du, Yantong Xie and Zhennan Zhou
• Abstract要約: NLIFモデルは、相互作用する多粒子系と相互作用するニューロンネットワークの電圧構成を顕微鏡レベルで記述する。 マクロモデルでは、アクティブな発射イベントとかなり同期したネットワークをシミュレートする際に有効な結果が得られない。 NLIFネットワークのためのマルチスケールソルバを提案し、マクロソルバの低コストと顕微鏡ソルバの信頼性を継承する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The noisy leaky integrate-and-fire (NLIF) model describes the voltage configurations of neuron networks with an interacting many-particles system at a microscopic level. When simulating neuron networks of large sizes, computing a coarse-grained mean-field Fokker-Planck equation solving the voltage densities of the networks at a macroscopic level practically serves as a feasible alternative in its high efficiency and credible accuracy. However, the macroscopic model fails to yield valid results of the networks when simulating considerably synchronous networks with active firing events. In this paper, we propose a multi-scale solver for the NLIF networks, which inherits the low cost of the macroscopic solver and the high reliability of the microscopic solver. For each temporal step, the multi-scale solver uses the macroscopic solver when the firing rate of the simulated network is low, while it switches to the microscopic solver when the firing rate tends to blow up. Moreover, the macroscopic and microscopic solvers are integrated with a high-precision switching algorithm to ensure the accuracy of the multi-scale solver. The validity of the multi-scale solver is analyzed from two perspectives: firstly, we provide practically sufficient conditions that guarantee the mean-field approximation of the macroscopic model and present rigorous numerical analysis on simulation errors when coupling the two solvers; secondly, the numerical performance of the multi-scale solver is validated through simulating several large neuron networks, including networks with either instantaneous or periodic input currents which prompt active firing events over a period of time.
• Abstract（参考訳）: NLIF(noisy leaky integration-and-fire)モデルは、相互作用する多粒子系を顕微鏡レベルで持つニューロンネットワークの電圧構成を記述する。 大きなサイズのニューロンネットワークをシミュレーションする場合、粗粒平均場フォッカー・プランク方程式を計算し、マクロレベルでネットワークの電圧密度を解くことは、その高効率で信頼性の高い代替手段となる。 しかし、マクロモデルは、アクティブな発火イベントとかなりの同期ネットワークをシミュレートする際に、ネットワークの有効な結果を得ることができない。 本稿では,マクロソルバの低コスト化と顕微鏡ソルバの信頼性向上を両立させたnlifネットワークのためのマルチスケールソルバを提案する。 各時間ステップにおいて、マルチスケールソルバは、シミュレーションネットワークの発火速度が低い場合にはマクロソルバを使用し、発火速度が上昇する傾向がある場合は顕微鏡ソルバに切り替える。 さらに、マクロソルバと顕微鏡ソルバを高精度スイッチングアルゴリズムに統合し、マルチスケールソルバの精度を確保する。 The validity of the multi-scale solver is analyzed from two perspectives: firstly, we provide practically sufficient conditions that guarantee the mean-field approximation of the macroscopic model and present rigorous numerical analysis on simulation errors when coupling the two solvers; secondly, the numerical performance of the multi-scale solver is validated through simulating several large neuron networks, including networks with either instantaneous or periodic input currents which prompt active firing events over a period of time.

関連論文リスト

• Enhancing Multiscale Simulations with Constitutive Relations-Aware Deep Operator Networks [0.7946947383637114]
  マルチスケール有限要素計算は、マイクロ構造特性をマクロ計算解析に組み込む能力に期待されている。 マイクロスケール物理の代理モデリングにディープ・オペレーター・ネットワークを利用するハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T15:40:05Z)
• Learning-based Multi-continuum Model for Multiscale Flow Problems [24.93423649301792]
  本稿では,同質化方程式の強化と,マルチスケール問題に対する単一モデルの精度向上を目的とした学習型マルチコンチニュウムモデルを提案する。 提案する学習型マルチコンチニュウムモデルでは,各粗いグリッドブロック内の複数の相互作用媒質を解決し,その間の物質移動を記述できる。
  論文  参考訳（メタデータ） (2024-03-21T02:30:56Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Interfacing Finite Elements with Deep Neural Operators for Fast Multiscale Modeling of Mechanics Problems [4.280301926296439]
  本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。 DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。 精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-25T20:46:08Z)
• Using neural networks to solve the 2D Poisson equation for electric field computation in plasma fluid simulations [0.0]
  ポアソン方程式はホールエフェクトスラスタやストリーマー放電に使用されるプラズマ流体シミュレーションにおいて自己整合解を得るために重要である。 ディープニューラルネットワークを用いてディリクレ境界条件をゼロとした2次元ポアソン方程式の解法を検討した。 CNNは、同じポアソン方程式を、円筒座標で解くために構築される。 その結果,CNNの予測精度は著しく向上した。
  論文  参考訳（メタデータ） (2021-09-27T14:25:10Z)
• Performance and accuracy assessments of an incompressible fluid solver coupled with a deep Convolutional Neural Network [0.0]
  ポアソン方程式の解法は、通常、非圧縮性流体解法における最も計算集約的なステップの1つである。 CNNはこの方程式を解くために導入され、推論時間を大幅に短縮した。 CNNと従来の反復解法を結合してユーザ定義の精度を保証するハイブリッド戦略が開発されている。
  論文  参考訳（メタデータ） (2021-09-20T08:30:29Z)
• Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
  偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。 最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。 偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。 本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
  論文  参考訳（メタデータ） (2020-09-08T13:26:51Z)
• Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
  我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。 ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
  論文  参考訳（メタデータ） (2020-07-08T21:23:19Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。