Petri Net Description of Biological Neural Circuits for Fast Hardware Prototyping
本文提出了一种用于建模生物神经回路的 T-时间 Petri 网框架，该框架通过实现可形式化验证、具有截止日期保证的实时执行，同时保持与连续时间动力学的解析对应关系，克服了固定步长模拟的局限性，并已通过三个模拟微电路得到了验证。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
大脑并不像标准计算机那样进行计算。传统的处理器遵循严格的时钟机制，按部就班地执行指令，在完美的同步中逐一推进；而大脑的运作原理则完全不同。它依赖于被称为“脉冲”（spikes）的电脉冲，这些脉冲在特定的时刻在神经细胞之间传递。在这个生物系统中，单个脉冲的精确时间点不仅仅是一个细节，它本身就是信息。如果一个旨在协调肌肉运动的信号迟到了零点几秒，其结果不仅是动作变慢，而是完全错误。这种对时间的敏感性使大脑成为一个“硬实时”系统，其正确性完全取决于是否能满足严格的截止期限。几十年来，科学家们一直试图在标准计算机上模拟这些神经回路，但用于建模的软件往往将时间视为固定的网格，忽略了真实生物学中那种流动的、由事件驱动的本质。此外，现有的硬件模拟器通常无法保证信号会在特定的、安全的窗口期内到达，从而留下了在生物体中绝不会发生的不可预测延迟的可能性。
为了解决这个问题，来自新泽西理工学院、佛罗里达大西洋大学和劳伦斯伯克利国家实验室的研究团队开发了一种描述和模拟神经回路的新方法。他们创建了一个名为“佩特里神经元”（Petri neuron）的模型，将生物神经细胞的行为转化为一套由令牌（tokens）和门（gates）组成的系统，类似于追踪工厂中物品移动的流程图。在这个模型中，神经元不是连续的电流，而是一系列离散的步骤：它收集传入的信号，检查总和是否达到了临界水平，并在达到时发出脉冲。至关重要的是，该系统内置了一个恢复期，模拟了神经元在发送信号后无法立即再次放电这一生物学事实。通过使用这种结构，研究人员可以在运行任何模拟之前，通过数学手段证明信号通过电路需要多长时间以及下一次脉冲何时发生。这种方法消除了对时间的猜测，提供了一种保证，即模拟行为将具有与它所代表的生物电路相同的严格时间可靠性。
研究人员通过构建三种不同类型的神经微回路来测试他们的新模型，每种回路都代表了大脑中常见的一种功能。第一种是反馈抑制回路，这是一种兴奋的神经元触发另一个神经元并立即将其关闭，以防止过度活跃的机制。在他们的模拟中，佩特里神经元成功再现了大脑中看到的节律性放电模式，特别是与高度专注和记忆相关的伽马波段节律。更重要的是，该模型提供了一个形式化的保证，即抑制信号总会在特定数量的周期内到达，确保了电路的稳定性，使其永远不会失控。第二项测试涉及侧抑制回路，这是大脑用于增强对比度和检测边缘的一种设置，就像眼睛区分黑暗物体与明亮背景一样。在这里，模型显示了神经元之间为了争夺“胜出”并放电而进行的竞争，是在严格受限的时间内解决的，无论初始输入有多强。这证明了该系统永远不会陷入犹豫不决的状态，而这正是标准模拟方法经常无法保证的特性。
最后一项测试是一个分层特征检测器，它是识别特定形状（如水平线或垂直线）的视觉系统的简化版本。研究人员构建了一个网络，其中简单的神经元检测线条并将信息传递给识别整体模式的复杂神经元。模拟正确识别了线条的方向，并再现了预期中在检测到首选模式与非首选模式之间的延迟。这些事件的时间点与研究人员的数学预测完美吻合，证实了该模型能够处理复杂的、多层级的电路，同时保持对每一次脉冲发生时间的精确控制。为了确保这些结果不仅仅是理论性的，团队在两种截然不同的硬件上运行了模拟：一台功能强大的台式计算机和一种小型、低成本的微控制器。他们发现，虽然台式计算机由于其复杂的操作系统会引入不可预测的延迟，但小型微控制器能够以极高的精度传递信号，证明了这种方法可以应用于实现现实应用所需的专用、高能效芯片。
这项工作的意义在于它能够弥合生物学理论与工程现实之间的鸿沟。通过将神经脉冲的定时视为一个形式化的、可求解的问题，而非一个被近似处理的变量，研究人员创建了一个蓝图，用于构建保证能正确运行的实时神经电路。这是神经形态计算领域迈出的关键一步，该领域旨在构建模仿大脑架构的计算机芯片。如果工程师可以依赖这些时间保证，他们就可以设计出在机器人技术、感官处理和自主控制方面能以生物体般的瞬时可靠性做出反应的系统。该研究并未声称解决了神经模拟的所有问题；该模型目前简化了某些生物学细节，例如神经元在放电后的逐渐恢复过程，并且依赖于离散步骤，这在极低放电率时会引入微小误差。然而，通过建立一个时间可预测且可验证的基础，研究人员提供了一种新工具，使科学家能够超越近似法，构建出与他们试图模仿的生物学一样可靠的神经电路。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。