論文の概要: An Optimization Framework for Automated Assessment of Biological Plausibility of Spiking Neurons

• arxiv url: http://arxiv.org/abs/2606.17853v1
• Date: Tue, 16 Jun 2026 12:25:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.427539
• Title: An Optimization Framework for Automated Assessment of Biological Plausibility of Spiking Neurons
• Title（参考訳）: スパイクニューロンの生物学的可塑性自動評価のための最適化フレームワーク
• Authors: Sven Nitzsche, Alexandru Ionita, Andreas Faust, Bogdan Ionescu, Juergen Becker,
• Abstract要約: 生物学的可視性は、ニューロモルフィックコンピューティングとスパイクニューラルネットワークにおいて重要な概念である。 スパイキングニューロンモデルにおける生物学的可視性の自動評価のためのオープンソースフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 37.61339918972475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological plausibility is a key concept in neuromorphic computing and spiking neural networks, yet it remains inconsistently defined and difficult to quantify. In this work, we present an open-source framework for the automated assessment of biological plausibility in spiking neuron models. Our method builds on the idea of evaluating a model's ability to replicate canonical neuronal firing patterns observed in biological systems, following the classification proposed by Izhikevich. By encoding these patterns into objective functions and optimizing model parameters accordingly, our framework enables empirical assessment without requiring prior analytical modeling. Treating neuron models as black boxes, it provides a practical and flexible means of characterizing their dynamic capabilities. We demonstrate the effectiveness of the framework on several established models and a previously unexplored custom model. Implemented in Python and compatible with PyTorch and the Norse library, the framework is tailored for machine learning contexts. It is intended as a starting point for systematic research into the relationship between biological plausibility and network-level performance metrics such as accuracy, energy efficiency, robustness, and adaptability.
• Abstract（参考訳）: 生物学的可視性は、ニューロモルフィックコンピューティングやスパイクニューラルネットワークにおいて重要な概念であるが、矛盾なく定義され、定量化が難しいままである。 本研究では,スパイキングニューロンモデルにおける生物学的可視性の自動評価のためのオープンソースフレームワークを提案する。 本手法は,イジケビッチが提唱した分類に従って,生体系で観察される正準ニューロンの発火パターンを再現するモデルの能力を評価することに基づく。 これらのパターンを対象関数に符号化し,それに応じてモデルパラメータを最適化することにより,先行解析モデルを必要としない経験的評価を実現する。 ニューロンモデルをブラックボックスとして扱うことで、その動的能力を特徴づける実用的で柔軟な手段を提供する。 いくつかの確立されたモデルと、以前に未検討のカスタムモデルにおいて、フレームワークの有効性を実証する。 Pythonで実装され、PyTorchやNorseライブラリと互換性がある。 これは、生物学的可視性と、正確性、エネルギー効率、堅牢性、適応性といったネットワークレベルのパフォーマンス指標との関係に関する体系的な研究の出発点として意図されている。

関連論文リスト

• Discovering Mechanistic Models of Neural Activity: System Identification in an in Silico Zebrafish [0.8219355086755371]
  幼魚ゼブラフィッシュのシミュレーションを基礎として, ニューラルネットワークの力学モデルをテストする。 LLMをベースとした木探索では,予測基準値を大幅に上回る予測モデルが自律的に発見された。 我々の洞察は、現実世界のニューラル記録をモデル化するためのガイダンスを提供し、AI駆動の科学的発見のためのより広範なテンプレートを提供する。
  論文  参考訳（メタデータ） (2026-02-04T12:33:29Z)
• Impact of Neuron Models on Spiking Neural Networks performance. A Complexity Based Classification Approach [0.0]
  本研究では,ニューロンモデルの選択と学習規則がスパイキングニューラルネットワーク(SNN)の分類性能に与える影響について検討する。 我々は、スパイクタイピング依存的可塑性(STDP)、テンポトロン、報酬変調更新など、複数の学習ルールで生物学的にインスパイアされたニューロンモデルを比較した。 この研究の新たな要素は、複雑性に基づく決定機構を評価パイプラインに統合することである。
  論文  参考訳（メタデータ） (2025-08-24T19:46:59Z)
• 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)
• The GAIN Model: A Nature-Inspired Neural Network Framework Based on an Adaptation of the Izhikevich Model [0.0]
  GAINモデルは、グリッドベースの構造を使用して、生物学的な可視性とモデルのダイナミクスを改善する。 このIzhikevichモデルの適応により、モデルの力学と精度が向上し、その用途は特殊化できるが効率的である。
  論文  参考訳（メタデータ） (2025-05-31T16:30:34Z)
• A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example [2.325005809983534]
  本稿では,重要な規制機構を特定し,不確実性をモデル化するための記号的,統計的学習フレームワークを提案する。 後部探査のための随伴感度解析を用いたメトロポリス調整ランゲヴィンアルゴリズムを開発した。 実証的研究は、不足する規制機構を回復し、データ制限条件下でのモデル忠実性を改善する能力を示す。
  論文  参考訳（メタデータ） (2025-05-06T04:39:34Z)
• 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)
• Evolving spiking neuron cellular automata and networks to emulate in vitro neuronal activity [0.0]
  我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。 我々のモデルは、ネットワーク全体の同期レベルを生成できた。 トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
  論文  参考訳（メタデータ） (2021-10-15T17:55:04Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。