Usnica 4.1 GPU: A Multiscale Bayesian-Calibrated Framework for Whole-Brain Simulation at 86 Billion Neurons on a Single Consumer GPU

तकनीकी सारांश: Usnica 4.1 GPU

समस्या विवरण
यह शोध पत्र उपभोक्ता हार्डवेयर पर नैदानिक रूप से प्रासंगिक समयसीमा (50 वर्ष) में पूरे मस्तिष्क के अल्जाइमर रोग के पैथोलॉजी को सिम्युलेट करने की कम्प्यूटेशनल जटिलता (intractability) को संबोधित करता है। एमिलॉयड-β42 (Aβ42) गतिकी, हॉजकिन-हक्सले (HH) न्यूरोनल डायनेमिक्स और टोनानी स्पेक्ट्रल कॉम्प्लेक्सिटी को एकीकृत करने वाला एक पूर्ण मल्टीस्केल मॉडल $3N + 5V + 4N$ समीकरणों को आणविक, कोशिकीय और नेटवर्क स्तरों पर हल करने की आवश्यकता रखता है। 86 बिलियन न्यूरॉन्स ($N = 86$ बिलियन) वाले पूर्ण मानव मस्तिष्क सिमुलेशन के लिए, $dt = 10$ µs के संदर्भ टाइम स्टेप पर, यह प्रणाली 3.44 TB मेमोरी और लगभग 19.1 घंटे के वॉल-क्लॉक टाइम की मांग करती है (प्रति सेकंड जैविक समय के लिए) एक RTX 4060 GPU पर। यह 50-वर्षीय प्रक्षेपवक्र (जिसके लिए ~7.8 वर्ष का वॉल टाइम आवश्यक है) को अव्यावहारिक बनाता है। इसके अलावा, मौजूदा फ्रेमवर्क में उपभोक्ता-ग्रेड हार्डवेयर (8 GB VRAM) पर बिना किसी 'एड हॉक' ट्यूनिंग के एमिलॉयड एकत्रीकरण, न्यूरोनल उत्तेजना और चेतना मेट्रिक्स को जोड़ने के लिए एक एकीकृत दृष्टिकोण का अभाव है।

लेखक Usnica 4.1 GPU प्रस्तुत करते हैं, जो एक बेयसियन-कैलिब्रेटेड फ्रेमवर्क है जो तीन अलग-अलग स्तरों को एकीकृत करता है:

1. आणविक (Molecular): नोल्स-कोहेन एमिलॉयड गतिकी मॉडलिंग, जो मोनोमर ($M$), ओलिगोमर ($F2$), और फाइब्रिल ($F$) की गतिशीलता को ट्रैक करती है, जिसमें दर स्थिरांक ($k_n, k_+, k_2, k_{deg}$) तापमान, कैल्शियम ($Ca^{2+}$), और ATP पर निर्भर हैं।
2. कोशिकीय (Cellular): हॉजकिन-हक्सले न्यूरोनल डायनेमिक्स जो माइक्रोएनवायरनमेंट वेरिएबल्स ($Ca^{2+}$, ATP) और एमिलॉयड विषाक्तता ($I_{A\beta}$) के साथ जुड़ा हुआ है।
3. नेटवर्क (Network): टोनानी स्पेक्ट्रल कॉम्प्लेक्सिटी ($SC$), जिसे एक पर्टर्बेशनल कॉम्प्लेक्सिटी इंडेक्स दृष्टिकोण के माध्यम से गणना किया गया है।

हार्डवेयर सीमाओं को दूर करने के लिए, लेखक तीन समकक्ष सन्निकटन (approximations) पेश करते हैं जिन्हें पूर्ण संदर्भ मॉडल के विरुद्ध मान्य किया गया है:

• Izhikevich Surrogate: यह 3-गेटिंग-वेरिएबल HH मॉडल को 2D Izhikevich मॉडल से बदल देता है, जिसे HH डायनेमिक्स से मेल खाने के लिए कैलिब्रेट किया गया है ($R^2 = 0.998$) और जिसका पीक एरर < 0.12% है।
• Voxel Mean-Field: यह $N/V$ न्यूरॉन्स (860,000:1 का अनुपात) को वोक्सेल अवस्थाओं में एकत्रित करता है, जिससे स्टेट वेक्टर का आकार काफी कम हो जाता है।
• Chunk Streaming: यह 86B न्यूरॉन आबादी को 2M-न्यूरॉन चंक्स (0.016 GB प्रति चंक) में प्रोसेस करके मेमोरी को प्रबंधित करता है, जिससे पूर्ण 3.44 TB स्टेट वेक्टर की आवश्यकता नहीं रहती।
• Probe-Based Complexity: यह पूरी आबादी के बजाय 10,000 न्यूरॉन्स के नमूने का उपयोग करके स्पेक्ट्रल कॉम्प्लेक्सिटी की गणना करता है, जिससे $86B \times 86B$ कोवेरियेंस मैट्रिक्स बनाने की आवश्यकता नहीं पड़ती।

यह फ्रेमवर्क एक मल्टीरेट इंटीग्रेशन स्कीम का उपयोग करता है: फास्ट इज़िकविच डायनेमिक्स ($dt_f = 0.25$ ms) फायरिंग रेट्स ($\bar{\nu}$) को एक स्लो सॉल्वर ($dt_s = 100$ ms) को फीड करते हैं, जो एमिलॉयड, कैल्शियम और ATP अवस्थाओं को अपडेट करता है। एक स्पष्ट ऑब्जर्वेशन मैप ($R_{PET}$) को परिभाषित किया गया है जो सिम्युलेटेड घुलनशील ओलिगोमर्स ($F2$) को क्लिनिकल PET प्लाक रीडआउट (अघुलनशील फाइब्रिल्स, $F$) से अलग करता है, यह स्वीकार करते हुए कि वे अलग-अलग अवलोकन योग्य (observables) हैं।

प्रमुख योगदान

1. औपचारिकता (Formalization): बिना किसी एड हॉक ट्यूनिंग के 15 अध्ययनों से प्राप्त पूर्ण ODEs और बेयसियन मैक्सिमम ए पोस्टेरिओरी (MAP) पैरामीटर्स।
2. दक्षता (Efficiency): चंक स्ट्रीमिंग और मीन-फील्ड सन्निकटन के माध्यम से 8 GB उपभोक्ता GPU (RTX 4060) पर 86B-न्यूरॉन समकक्ष वर्कलोड प्राप्त करना।
3. गति (Speedup): मेमोरी आवश्यकताओं को 3.44 TB से घटाकर 0.016 GB कर देता है और 0.5s जैविक समय के लिए वॉल-क्लॉक समय को घंटों से घटाकर 2.7 सेकंड कर देता है (पूर्ण HH मॉडल की तुलना में ~25,400× गति वृद्धि)।
4. ऑब्जर्वेशन मैप: सिम्युलेटेड घुलनशील ओलिगोमर कमी और क्लिनिकल PET प्लाक बोझ के बीच स्पष्ट अंतर करता है, जो मॉडल आउटपुट और ट्रायल एंडपॉइंट्स के सीधे संलयन को रोकता है।
5. हाइपोथेसिस जनरेशन: एक "Usnica-Safe" मल्टी-मैकेनिस्टिक हाइपोथेसिस प्रस्तावित करता है जिसमें प्राथमिक एकत्रीकरण ($k_n \downarrow$), कैल्शियम-निर्भर एकत्रीकरण ($Ca^{2+} \downarrow$), और ATP-समर्थित क्लीयरेंस ($ATP \uparrow$) का एक साथ मॉड्यूलेशन शामिल है।
6. नियोनेटल सेंसिटिविटी: यह अनुमान लगाता है कि कैसे नवजात $Ca^{2+}$/$ATP$ संवेदनशीलता परिदृश्य 80-वर्षीय जीवनकाल में अल्जाइमर पैथोलॉजी के थ्रेशोल्ड-क्रॉसिंग समय को प्रभावित करते हैं।
7. ओपन साइंस: एक सार्वजनिक रिपॉजिटरी में फास्ट, स्लो और कम्पलीट मॉडल्स के लिए कोड प्रदान करता है।

परिणाम

• सटीकता (Accuracy): फास्ट मॉडल संदर्भ लैग टाइम ($18.32 \pm 1.55$ h बनाम $18.45 \pm 1.35$ h; MAPE 3.21%) और पीक वोल्टेज ($115.10$बनाम$115.24$ mV; 0.12% त्रुटि) को सफलतापूर्वक दोहराता है।
• कंपाउंड स्क्रीनिंग: 10 मिनट के GPU रन में, फ्रेमवर्क ने 10 यौगिकों (compounds) का मूल्यांकन किया। "Usina-Safe" उम्मीदवार ने 50 वर्षों में घुलनशील ओलिगोमर्स ($F2$) में 40.9% की सिम्युलेटेड कमी दिखाई, जबकि मॉडल में डोनानेमैब (Donanemab) के लिए यह 19.9% और एडुकेनुमैब (Aducanumab) के लिए 11.2% थी।
• वैलिडेशन: डोनानेमैब, लेकेनेमैब और एडुकेनुमैब के लिए मॉडल के PET प्लाक रीडआउट भविष्यवाणियों ने क्लिनिकल ट्रायल डेटा के साथ 7.7% और 12% के बीच मैप एरर के साथ मिलान किया।
• नियोनेटल प्रोजेक्शन: सिमुलेशन बताते हैं कि उच्च-जोखिम वाले नियोनेटल परिदृश्य (जैसे प्रीटर्म बर्थ, प्रदूषण एक्सपोजर) 80-वर्षीय जीवनकाल में पैथोलॉजी के थ्रेशोल्ड-क्रॉसिंग समय को लगभग 20 वर्ष तक खिसका सकते हैं।

महत्व और दावे
यह शोध पत्र Usnica 4.1 GPU को अल्जाइमर अनुसंधान के लिए सुपरकंप्यूटिंग के लोकतंत्रीकरण (democratizing supercomputing) के उपकरण के रूप में स्थापित करता है, जो संयुक्त राष्ट्र के सतत विकास लक्ष्यों (SDG 3 और 10) के अनुरूप है। लेखक स्पष्ट रूप से कहते हैं कि यह फ्रेमवर्क एक्सप्लोरेटरी स्क्रीनिंग और हाइपोथेसिस जनरेशन को सक्षम बनाता है, न कि नैदानिक प्रभावकारिता या सुरक्षा का प्रमाण प्रदान करता है।

महत्वपूर्ण रूप से, पेपर इस बात पर जोर देता है कि:

• "Usina-Safe" हाइपोथेसिस एक मॉडल प्रोजेक्शन है, न कि दीर्घकालिक नैदानिक सुरक्षा या प्रभावकारिता का प्रमाण।
• सिम्युलेटेड $F2$ कमी, क्लिनिकल PET प्लाक कमी से भिन्न है; ऑब्जर्वेशन मैप एक कैलिब्रेशन टूल है, न कि क्लिनिकल ट्रांसलेशन की गारंटी।
• प्रस्तावित मल्टी-मैकेनिस्टिक हस्तक्षेप (EGCG, करक्यूमिन, Mg L-थ्रियोनेट, PQQ और NAD+ सपोर्ट जैसे न्यूट्रास्यूटिकल्स को जोड़ना) एक सैद्धांतिक संरचना है जिसके लिए भविष्य के जैव रासायनिक, विष विज्ञान संबंधी और नैदानिक सत्यापन की आवश्यकता है।
• मॉडल फार्माकोकाइनेटिक्स, एंटीबॉडी टारगेट एंगेजमेंट, प्रतिकूल घटनाओं, क्षेत्रीय पैथोलॉजी, ताऊ (tau), न्यूरोइन्फ्लेमेशन, या संज्ञानात्मक परिणामों को ध्यान में नहीं रखता है।

यह कार्य 86 बिलियन न्यूरॉन्स पर उपभोक्ता हार्डवेयर का उपयोग करके एमिलॉयड-HH-स्पेक्ट्रल कॉम्प्लेक्सिटी डायनेमिक्स को जोड़ने वाले पहले फ्रेमवर्क को प्रदान करके साहित्य के अंतराल को भरता है, जबकि कठोर गणितीय औपचारिकता और बेयसियन कैलिब्रेशन बनाए रखता है।