論文の概要: Neuromorphic Simulation of Drosophila Melanogaster Brain Connectome on Loihi 2
- arxiv url: http://arxiv.org/abs/2508.16792v1
- Date: Fri, 22 Aug 2025 20:49:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.1823
- Title: Neuromorphic Simulation of Drosophila Melanogaster Brain Connectome on Loihi 2
- Title（参考訳）: Loihi 2上でのショウジョウバエ脳結合体の神経形態学的解析
- Authors: Felix Wang, Bradley H. Theilman, Fred Rothganger, William Severa, Craig M. Vineyard, James B. Aimone,
- Abstract要約: We implement the whole-brain connectome of the adult Drosophila melanogaster (fruit fly) on the Intel Loihi 2 neuromorphic platform。
ニューロモルフィックコンピューティングハードウェア上でシミュレーションされた,非自明で生物学的に現実的なコネクトームを実証する。
- 参考スコア（独自算出の注目度）: 0.3728269977199898
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We demonstrate the first-ever nontrivial, biologically realistic connectome simulated on neuromorphic computing hardware. Specifically, we implement the whole-brain connectome of the adult Drosophila melanogaster (fruit fly) from the FlyWire Consortium containing 140K neurons and 50M synapses on the Intel Loihi 2 neuromorphic platform. This task is particularly challenging due to the characteristic connectivity structure of biological networks. Unlike artificial neural networks and most abstracted neural models, real biological circuits exhibit sparse, recurrent, and irregular connectivity that is poorly suited to conventional computing methods intended for dense linear algebra. Though neuromorphic hardware is architecturally better suited to discrete event-based biological communication, mapping the connectivity structure to frontier systems still faces challenges from low-level hardware constraints, such as fan-in and fan-out memory limitations. We describe solutions to these challenges that allow for the full FlyWire connectome to fit onto 12 Loihi 2 chips. We statistically validate our implementation by comparing network behavior across multiple reference simulations. Significantly, we achieve a neuromorphic implementation that is orders of magnitude faster than numerical simulations on conventional hardware, and we also find that performance advantages increase with sparser activity. These results affirm that today's scalable neuromorphic platforms are capable of implementing and accelerating biologically realistic models -- a key enabling technology for advancing neuro-inspired AI and computational neuroscience.
- Abstract（参考訳）: ニューロモルフィックコンピューティングハードウェア上でシミュレーションされた,非自明で生物学的に現実的なコネクトームを実証する。
具体的には,FlyWire Consortiumの成体Drosophila melanogaster(FlyWireコンソーシアム)の全脳コネクトームを,Intel Loihi 2ニューロモルフィックプラットフォーム上で140Kニューロンと50Mシナプスで実装した。
この課題は、生体ネットワークの特徴的な接続構造のために特に困難である。
人工ニューラルネットワークや最も抽象的なニューラルネットワークとは異なり、実際の生物学的回路は疎結合であり、密度線形代数を意図した従来の計算手法には適さない。
ニューロモルフィックハードウェアは、離散的なイベントベースの生物学的通信にアーキテクチャ上適しているが、接続構造をフロンティアシステムにマッピングすることは、ファンインやファンアウトメモリの制限といった低レベルのハードウェア制約の課題に直面している。
われわれはFlyWireのコネクトームが12のLoihi 2チップに収まるような課題に対する解決策を説明している。
複数の参照シミュレーションでネットワークの挙動を比較することで,実装を統計的に検証する。
そこで本研究では,従来のハードウェア上での数値シミュレーションよりも桁違いに高速なニューロモルフィック実装を実現するとともに,スペーサーの動作によって性能上の優位性が向上することが確認された。
これらの結果は、今日のスケーラブルなニューロモルフィックプラットフォームが、生物学的に現実的なモデルの実装と加速を可能にしていることを裏付けている。
関連論文リスト
- Integrating programmable plasticity in experiment descriptions for analog neuromorphic hardware [0.9217021281095907]
BrainScaleS-2のニューロモルフィックアーキテクチャは「ハイブリッド」可塑性をサポートするように設計されている。
シナプス間相関測定などの数値シミュレーションで高価な観測機器はシナプス回路に直接実装される。
我々は高レベルな実験記述言語でスパイキングニューラルネットワーク実験と塑性規則を記述するための統合フレームワークを導入する。
論文 参考訳（メタデータ） (2024-12-04T08:46:06Z) - Demonstrating the Advantages of Analog Wafer-Scale Neuromorphic Hardware [1.6218106536237746]
本稿では、BrainScaleS-1システムの性能と利点と、従来のソフトウェアシミュレーションと組み合わせて使用する方法について述べる。
神経型ハードウェア基板に適応した2つの生物学的にインスパイアされたネットワークのエミュレーション時間とエネルギー消費について報告する。
論文 参考訳（メタデータ） (2024-12-03T17:46:43Z) - A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。
得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
論文 参考訳（メタデータ） (2024-09-23T11:16:46Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - Neuromorphic Intermediate Representation: A Unified Instruction Set for Interoperable Brain-Inspired Computing [4.066607775161713]
神経力学をシミュレートするニューラルネットワークとニューロモルフィックハードウェアプラットフォームが注目されている。
本稿では,デジタルニューロモルフィックシステムにおける計算の共通参照フレームを確立する。
7つのニューロモルフィックシミュレータと4つのデジタルハードウェアプラットフォームにまたがる複雑さの異なる3つのスパイクニューラルネットワークモデルを再現して実演する。
論文 参考訳（メタデータ） (2023-11-24T18:15:59Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳（メタデータ） (2022-05-25T20:16:05Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - Mapping and Validating a Point Neuron Model on Intel's Neuromorphic
Hardware Loihi [77.34726150561087]
インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。
Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。
Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
論文 参考訳（メタデータ） (2021-09-22T16:52:51Z) - Structural plasticity on an accelerated analog neuromorphic hardware
system [0.46180371154032884]
我々は, プレ・グポストシナプスのパートナーを常に切り替えることにより, 構造的可塑性を達成するための戦略を提案する。
我々はこのアルゴリズムをアナログニューロモルフィックシステムBrainScaleS-2に実装した。
ネットワークトポロジを最適化する能力を示し、簡単な教師付き学習シナリオで実装を評価した。
論文 参考訳（メタデータ） (2019-12-27T10:15:58Z)
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。