WikiEdge:ArXiv-2408.17334v1/abs
- 標題：Role of Data-driven Regional Growth Model in Shaping Brain Folding Patterns
- 中文標題：大數據驅動的區域生長模型在腦摺疊模式形成中的作用
- 發布日期：2024-08-30T14:49:10+00:00
- 作者：Jixin Hou, Zhengwang Wu, Xianyan Chen, Dajiang Zhu, Tianming Liu, Gang Li, Xianqiao Wang
- 分類：q-bio.NC, cs.CE, cs.SC, q-bio.TO
- 原文連結：http://arxiv.org/abs/2408.17334v1
摘要：本文介紹了一種基於憶阻器的計算存儲硬體加速器，用於片上訓練和推理，重點關注其在設備變化、導電誤差和輸入噪聲下的準確性和效率。利用商業可用的基於銀的金屬自定向通道（M-SDC）憶阻器的真實SPICE模型，研究將固有的設備非理想性納入電路仿真中。硬體由30個憶阻器和4個神經元組成，利用鎢、鉻和碳介質的三種不同的M-SDC結構執行二進位圖像分類任務。片上訓練算法精確調整憶阻器導電性以實現目標權重。結果表明，訓練期間加入適度噪聲（<15%）可以增強對設備變化和噪聲輸入數據的魯棒性，即使在導電變化和輸入噪聲下也能實現高達97%的準確率。網絡可以在不顯著損失準確率的情況下容忍10%的導電誤差。值得注意的是，在訓練期間省略初始憶阻器重置脈衝可以顯著減少訓練時間和能量消耗。使用基於鉻的憶阻器設計的硬體表現出優越的性能，實現了2.4秒的訓練時間和18.9毫焦耳的能量消耗。這項研究為開發用於邊緣應用的片上學習的魯棒和能效高的基於憶阻器的神經網絡提供了見解。 正在發育的哺乳動物大腦的表面形態對於理解大腦功能和功能障礙至關重要。計算建模為早期大腦摺疊的潛在機制提供了寶貴的見解。雖然先前的研究通常假設均勻生長，但最近的發現表明大腦組織生長在區域上存在顯著差異。然而，這些差異在皮質發育中的作用尚不清楚。在本研究中，我們探討了區域性皮質生長如何影響大腦摺疊模式。我們首先使用基於超過1000名嬰兒MRI掃描的縱向數據，通過機器學習輔助的符號回歸開發了典型皮質區域的生長模型，這些數據捕捉了圍產期和產後大腦發育期間的皮質表面積和厚度。這些模型隨後被整合到計算軟體中，以模擬具有解剖學上真實幾何模型的皮質發育。我們使用平均曲率、溝深和腦回指數等指標量化了生成的摺疊模式。我們的結果表明，與均勻生長模型相比，區域生長模型生成的複雜大腦摺疊模式在定量和定性上更接近實際大腦結構。生長幅度在塑造摺疊模式中起主導作用，而生長軌跡的影響較小。此外，多區域模型比單區域模型更好地捕捉了大腦摺疊的複雜性。我們的結果強調了在大腦摺疊模擬中納入區域生長異質性的必要性和重要性，這可能有助於早期診斷和治療皮質畸形和神經發育障礙，如癲癇和自閉症。