Разработка и исследование математических моделей спайковых нейронных сетей с нестационарными связями

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 22-71-00074

НазваниеРазработка и исследование математических моделей спайковых нейронных сетей с нестационарными связями

Руководитель Стасенко Сергей Викторович, Кандидат физико-математических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского" , Нижегородская обл

Конкурс №70 - Конкурс 2022 года «Проведение инициативных исследований молодыми учеными» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-205 - Математические модели в науках о живом

Ключевые слова Нейродинамика, биофизика, математическое моделирование, спайковые нейронные сети, импульсные нейронные сети, синаптическая пластичность, нейросетевые алгоритмы, нейрон-глиальное взаимодействие, нейрон-матриксное взаимодействие

Код ГРНТИ27.35.43

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Данный проект посвящен разработке математических моделей спайковых (импульсных) нейронных сетей с нестационарными связями, связанными с регуляцией синаптической передачи активной внеклеточной средой на основе экспериментальных данных; получению фундаментальных знаний о регуляции синаптической передачи и программная реализация разработанных моделей и алгоритмов. В проекте предполагается рассмотреть регуляторное воздействие активной внеклеточной среды, формируемой вокруг синапсов нейронов за счет активности глиальных клеток (астроцитов) и молекул внеклеточного матрикса мозга. Долгое время считалось, что основными клетками, участвующими в информационных процессах в мозге, являются нейроны, соединение между которыми образует химический синапс, что послужило формированию концепции двухчастного синапса [1]. Развитие экспериментальных методов исследования мозга способствовало открытию многообразия типов нейронов, и других элементов нейронных сетей мозга, не обладающих электрической возбудимостью, но косвенно участвующих в информационных процессах мозга за счет образования сложно связанных с нейронами сетей и структур, регулирующих нейрональную динамику. В частности, открытие влияния астроцитов на нейронную активность позволило говорить о сложности строения синаптических связей между нейронами и перейти от концепции «классического синапса», имеющего две активные компоненты - пре – и постсинаптические терминали, к концепции «трехчастного синапса» [2,3,4], состоящего, помимо пре – и постсинаптических терминалей, и из отростков астроцита. Развитие в последние годы исследований молекул внеклеточного матрикса мозга привело к пересмотру концепции «трехчастного синапса», путем введения в структуру синапса, помимо астроцита, молекул внеклеточного матрикса мозга (ВКМ), имеющих важное значение для поддержания гомеостаза нейронных сетей [5]. ВКМ может сохранять «следы» нейронной и глиальной активности, модулировать функции локальных рецепторов или ионных каналов и распространять сигналы диффузией молекул, концентрация которых зависит от активности протеаз. Полученные экспериментальные данные свидетельствуют об участии ВКМ в механизмах синаптической пластичности и глиального ремоделирования, тем самым становясь основой концепции «четырехчастного синапса»[5]. Также можно отметить повышенный интерес в использовании спайковых нейронных сетей (SNN) для задач обработки данных и распознавания образов [6–12]. Существенными недостатками спайковых нейронных сетей являются вычислительная неэффективность по сравнению с формальными нейронными сетями, так как приходится рассчитывать системы нелинейных дифференциальных уравнений высокого порядка, сложность использования методов и подходов глубокого обучения (многослойности) и невозможность использования классических подходов машинного обучения. В рамках проекта предлагается рассмотреть регуляции синаптической связи, опосредованные активной внеклеточной средой, формируемой вокруг синапсов нейронов за счет активности глиальных клеток (астроцитов) и молекул внеклеточного матрикса мозга. Введение данных регуляций позволит расширить концепцию двухчастного синапса, основанную на том, что единственными главными участниками процесса обработки, хранения и передачи информации в мозге являются нейроны и ввести механизмы динамической регуляции на разных временных масштабах (от секунд для глиальных клеток, до минут и часов для молекул внеклеточного матрикса мозга), выступающими новыми механизмами синаптической и гомеостатической пластичности и расширяющими концепцию двухчастного синапса до трех- и четырехчастного синапса. Мы предполагаем, что концепт активной внеклеточной среды позволит снабдить спайковую нейронную сеть дополнительной модальностью, что приведет к улучшению характеристик обучения и настройки таких сетей и потенциально разработать новые методы и подходы обучения спайковых нейронных сетей. [1]Pribram, K. H. (1971). Languages of the brain: Experimental paradoxes and principles in neuropsychology. [2] Araque, A., Parpura, V., Sanzgiri, R. P., & Haydon, P. G. (1998). Glutamate‐dependent astrocyte modulation of synaptic transmission between cultured hippocampal neurons. European Journal of Neuroscience, 10(6), 2129-2142. [3]Halassa M.M., Fellin T., Haydon P.G. The tripartite synapse: roles for gliotransmission in health and disease. // Trends Mol. Med. 2007. Т. 13. № 2. С. 54–63. [4]Perea G., Navarrete M., Araque A. Tripartite synapses: astrocytes process and control synaptic information // Trends Neurosci. 2009. Т. 32. № 8. С. 421–431. [5]Dityatev A., Rusakov D.A. Molecular signals of plasticity at the tetrapartite synapse. // Curr. Opin. Neurobiol. 2011. Т. 21. № 2. С. 353–359. [6]Diehl P.U., Cook M. Unsupervised learning of digit recognition using spike-timing-dependent plasticity // Front. Comput. Neurosci. 2015. Vol. 9. [7]Kheradpisheh S.R. et al. STDP-based spiking deep convolutional neural networks for object recognition // Neural Networks. 2018. [8]Lee C. et al. Training Deep Spiking Convolutional Neural Networks With STDP-Based Unsupervised Pre-training Followed by Supervised Fine-Tuning // Front. Neurosci. 2018. Vol. 12. [9]Lee C. et al. Deep Spiking Convolutional Neural Network Trained With Unsupervised Spike-Timing-Dependent Plasticity // IEEE Trans. Cogn. Dev. Syst. 2019. Vol. 11, № 3. P. 384–394. [10]Liu D., Yue S. Fast unsupervised learning for visual pattern recognition using spike timing dependent plasticity // Neurocomputing. 2017. Vol. 249. P. 212–224. [11]Tavanaei A., Maida A. Bio-inspired multi-layer spiking neural network extracts discriminative features from speech signals // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2017. [12]Srinivasan G., Panda P., Roy K. SpiLinC: Spiking Liquid-Ensemble Computing for Unsupervised Speech and Image Recognition // Front. Neurosci. 2018. Vol. 12.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Стасенко С.В., Казанцев В.Б. 3D model of bursting activity generation IEEE Xplore, 2022 Fourth International Conference Neurotechnologies and Neurointerfaces (CNN), 176-179 (год публикации - 2022)
10.1109/CNN56452.2022.9912507

2. Стасенко С., Казанцев В. Mean-field model of tetrapartite synapse IEEE Xplore, 2022 Fourth International Conference Neurotechnologies and Neurointerfaces (CNN), 180-184 (год публикации - 2022)
10.1109/CNN56452.2022.9912561

3. Стасенко С.В., Казанцев В.Б. Astrocytes Enhance Image Representation Encoded in Spiking Neural Network Studies in Computational Intelligence, In: Kryzhanovsky, B., Dunin-Barkowski, W., Redko, V., Tiumentsev, Y. (eds) Advances in Neural Computation, Machine Learning, and Cognitive Research VI. NEUROINFORMATICS 2022. Studies in Computational Intelligence, vol 1064. Springer, Cham.,200-205 (год публикации - 2023)
10.1007/978-3-031-19032-2_20

4. Стасенко С.В., Казанцев В.Б. Astrocyte regulation of non-periodic bursting activity of a spiking neural network Procedia Computer Science, том 212, стр. 243-253 (год публикации - 2022)
10.1016/j.procs.2022.11.008

5. Стасенко С.В., Казанцев В.Б. Information Encoding in Bursting Spiking Neural Network Modulated by Astrocytes Entropy, V.25, Issue 5 (год публикации - 2023)
10.3390/e25050745

6. Стасенко С.В., Казанцев В.Б. Bursting Dynamics of Spiking Neural Network Induced by Active Extracellular Medium Mathematics, V. 11, Issue 9 (год публикации - 2023)
10.3390/math11092109

7. Зимин И.А., Казанцев В.Б., Стасенко С.В. Artificial Neural Network Model with Astrocyte-Driven Short-Term Memory Biomimetics, Т. 8, 422 (год публикации - 2023)
10.3390/biomimetics8050422

8. Стасенко С.В., Казанцев В.Б. Spiking Neural Network with Tetrapartite Synapse Studies in Computational Intelligence, Т.1120, стр. 83-92 (год публикации - 2023)
10.1007/978-3-031-44865-2_9

9. Стасенко С.В. Mean-Field Model of Tripartite Synapse with Infected Glial Cells Proceedings - 5th International Conference "Neurotechnologies and Neurointerfaces", CNN 2023, стр. 78-81 (год публикации - 2023)
10.1109/CNN59923.2023.10275294

10. Стасенко С.В., Казанцев В.Б. Модель астроцитарной регуляции процессов возбуждения и торможения спайковой нейронной сети Труды XXVII научной конференции по радиофизике (Нижний Новгород, 15—25 мая 2023 г.). Нижний Новгород: ННГУ, 2023, стр. 505-507 (год публикации - 2023)

11. Зимин И.А., Стасенко С.В. Сверточная нейронная сеть с моделью динамического синапса Труды VIII Всероссийской конференции Нелинейная динамика в когнитивных исследованиях – 2023, стр. 58 (год публикации - 2023)

Публикации