論文の概要: Small-scale neural simulation of Caenorhabditis elegans on Loihi-2 using NeuroML2Loihi
- arxiv url: http://arxiv.org/abs/2610.25424v1
- Date: Sun, 18 Oct 2026 17:27:16 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:29:08.021096
- Title: Small-scale neural simulation of Caenorhabditis elegans on Loihi-2 using NeuroML2Loihi
- Title（参考訳）: NeuroML2Loihiを用いたLoihi-2上における線虫Caenorhabditis elegansの小規模神経シミュレーション
- Abstract要約: 本稿では,NeuroMLモデル記述をLoihi2デプロイ可能なプリミティブに変換するオープンソースフレームワークであるNeuroML2Loihi'を紹介する。
我々は,c302由来のtextitC. elegansニューラルモデルを用いて,3つのコネクトームスケール構成のフレームワークを評価する。
- 参考スコア（独自算出の注目度）: 2.0983857535855974
- License:
- Abstract: Neural simulation is an essential methodology for studying biological nervous systems, but it remains limited by the computational costs of repeatedly updating neural and synaptic states over many timesteps. Neuromorphic hardware is a promising substrate for this class of workloads because such devices combine event-driven execution, localized memory, and spike-based communication. However, neuromorphic \textit{software} remains comparatively fragmented and difficult to integrate with the model-description standards used by the computational neuroscience community. This disconnect limits reproducible experimentation and makes direct comparison between conventional and neuromorphic simulation workflows difficult. This paper introduces ``NeuroML2Loihi'', an open-source framework for translating NeuroML model descriptions into Loihi~2-deployable Lava primitives, enabling standardized biological models to be executed on Intel's Loihi~2 neuromorphic chip. We evaluate our framework using c302-derived \textit{C. elegans} neural models across three connectome-scale configurations. Cross-platform similarity is assessed using spike-train and voltage-trace metrics, while latency, power, and energy consumption are benchmarked against the conventional reference workflow. Across the evaluated models, Loihi~2 execution enabled through NeuroML2Loihi achieves 514--1211$\times$ lower latency and a 1.8--1.9$\times$ reduction in mean wattage relative to the NEURON reference, producing substantially lower total energy consumption primarily through reduced execution time. These results demonstrate that standards-based neuromorphic neural simulation is feasible on Loihi~2 and can support meaningful comparison against established computational neuroscience workflows.
- Abstract（参考訳）: 神経シミュレーションは生物学的神経系を研究するための重要な方法論であるが、多くの時間経過で神経とシナプス状態を繰り返し更新する計算コストによって制限されている。
イベント駆動実行、ローカライズドメモリ、スパイクベースの通信を組み合わせたため、ニューロモルフィックハードウェアはこの種のワークロードにとって有望な基盤である。
しかしながら、ニューロモルフィック \textit{software} は比較的断片化されており、計算神経科学コミュニティで使われているモデル記述標準と統合することが困難である。
この切断は再現可能な実験を制限し、従来のシミュレーションワークフローとニューロモルフィックシミュレーションワークフローとの直接比較を困難にする。
本稿では,NeuroML2Loihi'という,NeuroMLモデル記述をLoihi〜2-deployable Lavaプリミティブに翻訳するオープンソースフレームワークを紹介し,IntelのLoihi〜2ニューロモルフィックチップ上で標準化された生体モデルの実行を可能にする。
c302由来の \textit{C。
elegans} 3つのコネクトームスケール構成のニューラルモデル。
プラットフォーム間の類似性をスパイクトレインと電圧トレースのメトリクスを用いて評価し、従来の参照ワークフローに対してレイテンシ、電力、エネルギー消費をベンチマークする。
評価モデル全体では、NeuroML2LoihiによるLoihi~2の実行は514--1211$\times$低レイテンシと1.8--1.9$\times$平均ワットの削減を実現し、主に実行時間の短縮によって総エネルギー消費を著しく低減した。
これらの結果は、標準ベースのニューロモルフィック・ニューロシミュレーションがLoihi~2上で実現可能であることを示し、既存の計算神経科学のワークフローと有意義な比較を支持できることを示した。
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) - Pendulum Model of Spiking Neurons [0.0]
そこで本研究では, 減衰・駆動振子の動力学に基づく生物学的刺激によるスパイキングニューロンのモデルを提案する。
本稿では,Spyke-Timing Dependent Plasticity (STDP)学習ルールにより,単一ニューロンの動的解析を行い,モデルをマルチニューロン層に拡張する。
論文 参考訳（メタデータ） (2025-07-29T18:21:51Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - 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) - 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) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Efficient Neuromorphic Signal Processing with Loihi 2 [6.32784133039548]
本稿では, 短時間フーリエ変換(STFT)を従来のSTFTの47倍の出力帯域幅で計算する方法を示す。
また、音声分類タスクのためのRFニューロンのトレーニングのためのバックプロパゲーションを用いた有望な予備結果を示す。
論文 参考訳（メタデータ） (2021-11-05T22:37:05Z) - 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) - Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。
本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。
本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文 参考訳（メタデータ） (2020-04-08T06:55:12Z)
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。