Uviet (12/02/2021): Tiến sĩ James Knight và Giáo sư Thomas Nowotny từ Trường Kỹ thuật và Tin học thuộc Đại học Sussex đã sử dụng Bộ xử lý đồ họa (GPU) mới nhất để cung cấp cho một máy tính để bàn duy nhất khả năng mô phỏng các mô hình não có kích thước gần như không giới hạn. Công việc này sẽ làm cho các mô phỏng não lớn có thể tiếp cận được với các nhà nghiên cứu với ngân sách nhỏ.
Nghiên cứu được xây dựng dựa trên công trình tiên phong của nhà nghiên cứu người Mỹ Eugene Izhikevich, người đã đi tiên phong trong một phương pháp tương tự để mô phỏng não quy mô lớn vào năm 2006.
Các nhà nghiên cứu đã áp dụng kỹ thuật của Izhikevich vào một GPU hiện đại, với sức mạnh tính toán gấp khoảng 2.000 lần khả dụng cách đây 15 năm, để tạo ra một mô hình tiên tiến của vỏ não thị giác Macaque (với 4,1 triệu tế bào thần kinh và 24,2 tỷ khớp thần kinh) mà trước đây chỉ có thể được mô phỏng trên một siêu máy tính.
Bộ mô phỏng mạng nơ-ron tăng tốc trên chip GPU của các nhà nghiên cứu sử dụng lượng lớn sức mạnh tính toán có sẵn trên GPU để tạo kết nối 'theo thủ tục' và trọng số khớp thần kinh 'đang di chuyển' khi kích hoạt đột biến - loại bỏ nhu cầu lưu trữ dữ liệu kết nối trong bộ nhớ.
Quá trình khởi tạo mô hình của các nhà nghiên cứu mất sáu phút và mô phỏng từng giây sinh học mất 7,7 phút ở trạng thái cơ bản và 8,4 phút ở trạng thái nghỉ - thời gian ít hơn tới 35% so với mô phỏng siêu máy tính trước đó. Vào năm 2018, một giá đỡ của siêu máy tính IBM Blue Gene/Q khởi tạo mô hình này mất khoảng năm phút và mô phỏng một giây thời gian sinh học mất khoảng 12 phút.
Giáo sư Nowotny, Giáo sư Tin học tại Đại học Sussex, cho biết: “Mô phỏng quy mô lớn của các mô hình mạng nơ-ron tăng đột biến là một công cụ quan trọng để nâng cao hiểu biết của chúng ta về động lực học và cuối cùng là chức năng của não. Tuy nhiên, ngay cả những động vật có vú nhỏ như chuột cũng có thứ tự 1 nghìn tỷ kết nối synap nghĩa là các mô phỏng yêu cầu vài terabyte dữ liệu - một yêu cầu bộ nhớ không thực tế đối với một máy tính để bàn.
Khoa học tính toán tự nhiên - Mô phỏng bộ não được tăng tốc GPU với kết nối lớn hơn
Mô phỏng là một công cụ quan trọng để điều tra chức năng não nhưng cần có các mô hình lớn để tái tạo trung thực các số liệu thống kê và động lực của hoạt động não. Cho đến nay, việc mô phỏng các mô hình mạng nơ-ron tăng đột biến lớn cần rất nhiều bộ nhớ để lưu trữ các kết nối synap đến mức đòi hỏi hệ thống máy tính hiệu suất cao. Ở đây, chúng tôi trình bày một phương pháp mô phỏng thay thế mà chúng tôi gọi là 'procedural connectivity' trong đó kết nối và trọng số khớp thần kinh được tạo ra 'nhanh chóng' thay vì được lưu trữ và truy xuất từ bộ nhớ. Phương pháp này đặc biệt thích hợp để sử dụng trên các đơn vị xử lý đồ họa (GPU) —đó là một thiết bị cố định phổ biến trong nhiều máy trạm. Sử dụng kết nối thủ tục và tối ưu hóa tạo mã GPU bổ sung, chúng tôi có thể mô phỏng một mô hình gần đây của vỏ não thị giác khỉ