論文の概要: BrainFuse: a unified infrastructure integrating realistic biological modeling and core AI methodology

• arxiv url: http://arxiv.org/abs/2601.21407v1
• Date: Thu, 29 Jan 2026 08:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.677604
• Title: BrainFuse: a unified infrastructure integrating realistic biological modeling and core AI methodology
• Title（参考訳）: BrainFuse: 現実的な生物学的モデリングとコアAI方法論を統合した統合インフラストラクチャ
• Authors: Baiyu Chen, Yujie Wu, Siyuan Xu, Peng Qu, Dehua Wu, Xu Chu, Haodong Bian, Shuo Zhang, Bo Xu, Youhui Zhang, Zhengyu Ma, Guoqi Li,
• Abstract要約: 神経科学と人工知能は、一般知性への明確な相補的な経路を表している。 BrainFuseは、バイオ物理ニューラルネットワークと勾配に基づく学習を包括的にサポートする統合インフラストラクチャである。 BrainFuseは、学際的な研究を促進し、次世代のバイオインスパイアされた知能システムの開発を加速するための基礎的なエンジンとして機能する。
• 参考スコア（独自算出の注目度）: 34.597782096704115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neuroscience and artificial intelligence represent distinct yet complementary pathways to general intelligence. However, amid the ongoing boom in AI research and applications, the translational synergy between these two fields has grown increasingly elusive-hampered by a widening infrastructural incompatibility: modern AI frameworks lack native support for biophysical realism, while neural simulation tools are poorly suited for gradient-based optimization and neuromorphic hardware deployment. To bridge this gap, we introduce BrainFuse, a unified infrastructure that provides comprehensive support for biophysical neural simulation and gradient-based learning. By addressing algorithmic, computational, and deployment challenges, BrainFuse exhibits three core capabilities: (1) algorithmic integration of detailed neuronal dynamics into a differentiable learning framework; (2) system-level optimization that accelerates customizable ion-channel dynamics by up to 3,000x on GPUs; and (3) scalable computation with highly compatible pipelines for neuromorphic hardware deployment. We demonstrate this full-stack design through both AI and neuroscience tasks, from foundational neuron simulation and functional cylinder modeling to real-world deployment and application scenarios. For neuroscience, BrainFuse supports multiscale biological modeling, enabling the deployment of approximately 38,000 Hodgkin-Huxley neurons with 100 million synapses on a single neuromorphic chip while consuming as low as 1.98 W. For AI, BrainFuse facilitates the synergistic application of realistic biological neuron models, demonstrating enhanced robustness to input noise and improved temporal processing endowed by complex HH dynamics. BrainFuse therefore serves as a foundational engine to facilitate cross-disciplinary research and accelerate the development of next-generation bio-inspired intelligent systems.
• Abstract（参考訳）: 神経科学と人工知能は、一般知性への明確な相補的な経路を表している。 しかし、AI研究と応用の急成長の中で、これらの2つの分野間の翻訳のシナジーは、インフラ的不整合性の拡大によって、徐々に強迫的に成長している:現代のAIフレームワークは、生物物理学的リアリズムのネイティブサポートを欠いているが、ニューラルネットワークシミュレーションツールは勾配に基づく最適化と神経形ハードウェア展開には適していない。 このギャップを埋めるために、バイオ物理神経シミュレーションと勾配に基づく学習を包括的にサポートする統合インフラであるBrainFuseを紹介します。 アルゴリズム、計算、デプロイメントの課題に対処することによって、BrainFuseは、3つのコア機能を示す: 1) 詳細な神経力学を微分可能な学習フレームワークにアルゴリズム的に統合する、2) カスタマイズ可能なイオンチャネルのダイナミックをGPU上で最大3000倍高速化するシステムレベルの最適化、3) ニューロモルフィックなハードウェアデプロイメントのための高互換性パイプラインによるスケーラブルな計算。 我々は、基礎的なニューロンシミュレーションや機能的なシリンダーモデリングから実世界の展開や応用シナリオまで、AIと神経科学の両方のタスクを通して、このフルスタック設計を実証する。 BrainFuseは、神経科学において、およそ38,000のHodgkin-Huxleyニューロンを1つのニューロモルフィックチップに1億のシナプスを配置し、最大1.98Wまで消費することができる。AIでは、BrainFuseは現実的な生物学的ニューロンモデルのシナジスティックな適用を促進し、入力ノイズに対する堅牢性を向上し、複雑なHHダイナミックスによる時間的処理を改善している。 そこでBrainFuseは、学際的な研究を促進し、次世代のバイオインスパイアされた知能システムの開発を加速するための基礎的なエンジンとして機能する。

関連論文リスト

• Energy-based Autoregressive Generation for Neural Population Dynamics [12.867288040044501]
  本稿では,潜在空間における時間ダイナミクスを学習するエネルギーベースのトランスフォーマーを利用した,エネルギーベースの自己回帰生成フレームワークを提案する。 EAGは、計算効率が大幅に向上し、最先端の発電品質を達成できることを示す。 これらの結果は、神経科学研究や神経工学に応用した神経集団動態に対するエネルギーベースモデリングの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-18T07:11:29Z)
• Artificial intelligence as a surrogate brain: Bridging neural dynamical models and data [9.300290334520481]
  人工知能(AI)の最近の進歩は、脳の計算的側面を構築する方法を変えつつある。 我々は、フォワードモデリング、逆問題解決、モデル評価を統合したAIベースの代理脳を構築する統一的な枠組みを導入する。 我々は、学習した代理脳が、力学系解析、仮想摂動、モデル誘導神経刺激のシミュレーションプラットフォームとして機能していることを強調した。
  論文  参考訳（メタデータ） (2025-10-11T18:23:10Z)
• Mind Meets Space: Rethinking Agentic Spatial Intelligence from a Neuroscience-inspired Perspective [53.556348738917166]
  エージェントAIの最近の進歩は、自律的なタスク実行と言語に基づく推論が可能なシステムにつながっている。 人間の空間知能は、統合された多感覚知覚、空間記憶、認知マップに根ざし、非構造環境における柔軟でコンテキスト対応の意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-09-11T05:23:22Z)
• Neuromorphic Computing with Multi-Frequency Oscillations: A Bio-Inspired Approach to Artificial Intelligence [12.240763476270018]
  驚くべき能力にもかかわらず、人工知能は限られた柔軟性と一般化可能な知性を示す。 この制限は、神経領域の機能的特殊化と、これらの特殊システムの調整に不可欠な時間的ダイナミクスの両方を無視する生物学的認知から、その根本的な違いに起因している。 本稿では,機能的に特殊な知覚システム,補助システム,実行システムを含む三部構成の脳インスパイアされたアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-08-04T08:40:33Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Neural Brain: A Neuroscience-inspired Framework for Embodied Agents [78.61382193420914]
  大規模な言語モデルのような現在のAIシステムは、いまだに解体され続けており、物理的に世界と関わりが持てない。 この課題の核心は、人間のような適応性を持つエンボディエージェントを駆動するために設計された中枢知能システムであるNeural Brain(ニューラル・ブレイン)の概念である。 本稿では,2つの基本的な課題に対処する,エンボディエージェントのニューラルブレインの統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-12T15:05:34Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• A Differentiable Approach to Multi-scale Brain Modeling [3.5874544981360987]
  本稿では,脳シミュレータBrainPyを用いたマルチスケール微分脳モデリングワークフローを提案する。 単一ニューロンレベルでは、微分可能なニューロンモデルを実装し、電気生理学的データへの適合を最適化するために勾配法を用いる。 ネットワークレベルでは、生物学的に制約されたネットワークモデルを構築するためにコネクトロミックデータを組み込む。
  論文  参考訳（メタデータ） (2024-06-28T07:41:31Z)
• 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)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• 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)

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。