查看“WikiEdge:ArXiv-2408.17334v1/abs”的源代码

<!-- 不要移除下面第一行，如果有编辑错误，请直接修改第二行以后的内容 -->
<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17334v1/abs|action=edit}} 编辑]</div>
* '''标题'''：Role of Data-driven Regional Growth Model in Shaping Brain Folding Patterns
* '''中文标题'''：大数据驱动的区域生长模型在脑折叠模式形成中的作用
* '''发布日期'''：2024-08-30T14:49:10+00:00
* '''作者'''：Jixin Hou, Zhengwang Wu, Xianyan Chen, Dajiang Zhu, Tianming Liu, Gang Li, Xianqiao Wang
* '''分类'''：q-bio.NC, cs.CE, cs.SC, q-bio.TO
*'''原文链接'''：http://arxiv.org/abs/2408.17334v1
'''摘要'''：本文介绍了一种基于[[忆阻器]]的计算存储硬件加速器，用于片上训练和推理，重点关注其在设备变化、导电误差和输入噪声下的准确性和效率。利用商业可用的基于[[银]]的金属自定向通道（M-SDC）忆阻器的真实SPICE模型，研究将固有的设备非理想性纳入电路仿真中。硬件由30个忆阻器和4个[[神经元]]组成，利用[[钨]]、[[铬]]和[[碳]]介质的三种不同的M-SDC结构执行二进制[[图像分类]]任务。片上训练算法精确调整忆阻器导电性以实现目标权重。结果表明，训练期间加入适度噪声（<15%）可以增强对设备变化和噪声输入数据的[[鲁棒性]]，即使在导电变化和输入噪声下也能实现高达97%的[[准确率]]。网络可以在不显著损失准确率的情况下容忍10%的导电误差。值得注意的是，在训练期间省略初始忆阻器重置脉冲可以显著减少训练时间和能量消耗。使用基于铬的忆阻器设计的硬件表现出优越的性能，实现了2.4秒的训练时间和18.9毫焦耳的能量消耗。这项研究为开发用于[[边缘应用]]的[[片上学习]]的鲁棒和能效高的基于忆阻器的[[神经网络]]提供了见解。
正在发育的[[哺乳动物]]大脑的表面形态对于理解大脑功能和功能障碍至关重要。[[计算建模]]为早期大脑折叠的潜在机制提供了宝贵的见解。虽然先前的研究通常假设均匀生长，但最近的发现表明大脑组织生长在区域上存在显著差异。然而，这些差异在[[皮质]]发育中的作用尚不清楚。在本研究中，我们探讨了区域性皮质生长如何影响大脑折叠模式。我们首先使用基于超过1000名婴儿[[MRI]]扫描的纵向数据，通过[[机器学习]]辅助的符号回归开发了典型皮质区域的生长模型，这些数据捕捉了[[围产期]]和产后大脑发育期间的皮质表面积和厚度。这些模型随后被整合到计算软件中，以模拟具有解剖学上真实几何模型的皮质发育。我们使用平均曲率、沟深和脑回指数等指标量化了生成的折叠模式。我们的结果表明，与均匀生长模型相比，区域生长模型生成的复杂大脑折叠模式在定量和定性上更接近实际大脑结构。生长幅度在塑造折叠模式中起主导作用，而生长轨迹的影响较小。此外，多区域模型比单区域模型更好地捕捉了大脑折叠的复杂性。我们的结果强调了在大脑折叠模拟中纳入区域生长异质性的必要性和重要性，这可能有助于早期诊断和治疗皮质畸形和[[神经发育障碍]]，如[[癫痫]]和[[自闭症]]。