論文の概要: Towards a faithful stochastic model for brain digital twins

• arxiv url: http://arxiv.org/abs/2609.13973v1
• Date: Sat, 12 Sep 2026 14:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.627967
• Title: Towards a faithful stochastic model for brain digital twins
• Title（参考訳）: 脳デジタル双生児の忠実確率モデルに向けて
• Abstract要約: 脳を双子にするということは、電気的活動を忠実に再現することを意味する。 この活動は、単一ニューロンから全脳領域まで、いくつかのスケールにわたる多くの神経機構から生じる。 現在の大規模なイニシアチブは、それぞれがいくつかのメカニズムをキャプチャするモデルに依存しています。 本稿では,ランダムニューラルネットワークとマルコフ変調プロセスを組み合わせた新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 42.208436944925815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Twinning the brain means reproducing its electrical activity with fidelity. This activity arises from many neuronal mechanisms across several scales, from a single neuron to whole brain regions. Current large initiatives rely on models that each capture only a few of these mechanisms. Some act at the scale of a single neuron, others at the scale of neuronal populations. No single model captures both scales with fidelity. We propose a new stochastic model, based on a combination of Random Neural Networks and Markov-Modulated Poisson Processes, that would improve the fidelity of a brain digital twin. We map the model to the Discrete Event System Specification. This yields an initial executable simulation model suitable for incorporation into a brain digital twin.
• Abstract（参考訳）: 脳を双子にするということは、電気的活動を忠実に再現することを意味する。 この活動は、単一ニューロンから全脳領域まで、いくつかのスケールにわたる多くの神経機構から生じる。 現在の大規模なイニシアチブは、それぞれがいくつかのメカニズムをキャプチャするモデルに依存しています。 一つのニューロンの規模で行動する者もいれば、神経集団の規模で行動する者もいる。 両方のスケールを忠実さでキャプチャする単一のモデルはありません。 本稿では,ランダムニューラルネットワークとマルコフ変調ポアソンプロセスを組み合わせた新しい確率モデルを提案する。 モデルを離散イベントシステム仕様にマップする。 これにより、脳デジタル双生児に組み込むのに適した初期実行可能シミュレーションモデルが得られる。

関連論文リスト

• Tiny Brains, Giant Impact: Uncovering the Keystone Neurons of LLM with Just a Few Prompts [57.98275914877019]
  広い範囲のオープンウェイトトランスフォーマーにおいて、ニューロンのサブセットは、複数の能力次元のタスクをまたいだ推論において、常に高度に活性化されることが示される。 クロスタスク活性化強度に沿って探索することにより、非常にスパースなサブセットが分離され、その除去はモデル挙動の崩壊を引き起こす。 解析の結果,キーストーンニューロンは,前訓練中にほぼ確立されたモデルの安定で内在的なニューロンサブセットであることが明らかとなった。
  論文  参考訳（メタデータ） (2026-05-24T03:31:07Z)
• Spiking Neural Models for Decision-Making Tasks with Learning [0.29998889086656577]
  本稿では,学習機構を組み込んだ意思決定のための生物学的に妥当なスパイキングニューラルネットワーク(SNN)モデルを提案する。 この研究は、生物学的に関連する神経機構を認知モデルに統合するための重要なステップを提供する。
  論文  参考訳（メタデータ） (2025-06-10T09:19:40Z)
• 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)
• Neuroformer: Multimodal and Multitask Generative Pretraining for Brain Data [3.46029409929709]
  最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。 視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。 我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
  論文  参考訳（メタデータ） (2023-10-31T20:17:32Z)
• Cones: Concept Neurons in Diffusion Models for Customized Generation [41.212255848052514]
  本稿では,特定の対象に対応する拡散モデルにおいて,ニューロンの小さな集合を見出す。 概念ニューロンは、生成結果の解釈と操作において磁気特性を示す。 大規模な応用においては、ニューロンは環境に優しいため、密度の高いfloat32値ではなく、sparseクラスタのintインデックスを格納するだけである。
  論文  参考訳（メタデータ） (2023-03-09T09:16:04Z)
• 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)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)
• 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)
• Unifying and generalizing models of neural dynamics during decision-making [27.46508483610472]
  本稿では,意思決定作業中の神経活動モデリングのための統一フレームワークを提案する。 このフレームワークは標準ドリフト拡散モデルを含み、多次元アキュミュレータ、可変および崩壊境界、離散ジャンプなどの拡張を可能にする。
  論文  参考訳（メタデータ） (2020-01-13T23:57:28Z)

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。