f**d
发帖数: 768 | 1 请大家都谈谈对BLUE BRAIN PROJECT的看法，
Henry的用意是好的，充分利用所有的实验数据，重构大脑的皮层数学模型，探讨
皮层工作的机制和智力产生的基础。
但个人认为该计划有荒谬之处。
一个计划好与坏，在于现实与否。
他提出这个计划，其实就是全世界范围的理论和实验的神经科学家都一起合作，
2015年都根本不可能完成复制猕猴的大脑，更不可能解析皮层工作机制。
换句话说，想法是好的，－－想搞个数学模型，搞清楚大脑是怎么工作的
（－－－谁不想阿！）。但这里头的每个小步骤都或者是当前最热的领域，但还
根本没搞清楚怎么回事；或者就是技术手段根本没到位－－有待实验技术上有了突破
才行。所以HENRY的做法形成的结果就是，以一个IDEA，赢得数亿美金赞助，然后
做着数百个实验室都想完成的事情，结果就是10年后做出的东西是个脑模型简化版－－
现在已经有N个这样的简化版－－人家都是没花多少钱搞出来的。
当然不可否认，认真做，钱又多，能够得出很多有意思的中间结果。
但要点是，不能因此忽悠大家，说你要做什么事情了，然后还希望把整个世界的神经科学
方面的资源都拿来为你服务。
以下是几年前的报道，
洛桑理工学院的科学家Henry Markram在巴西东北部城市那塔尔展示了他设想的
“蓝脑”计划，并希望在2015年制造出“人造大脑”，以达到治疗阿尔茨海默氏症
和帕金森氏症的目的。[据新华社07年2月25日报道]
马卡兰介绍说，他的想法是“拆除之后再重建”哺乳类动物的大脑，计划将分为几
个阶段：2008年先用啮齿动物做实验，2011年后将试图组装一个猫的大脑，在
2015年正式组装人类大脑之前可能还会制造猕猴的大脑。
截止09年7月，该项目已经取得了突破性进展。“蓝脑计划”组已经完成了人脑新
皮层部分的神经元计算工作，并已绘制出一份3D神经元活动模拟图。最终，科研人
员希望能知晓并模拟出整个人脑的神经元的活动情况，借此了解现实世界为我们带
来的感官讯息是如何破译并储存到人脑中的，从而揭开人类意识产生之谜。
蓝脑计划 - 研究发展
“蓝脑计划”开始于2005年，其目的是从实验数据逆向打造哺乳动物的大脑。研究
组将重点放在皮层单元上，皮层单元是哺乳动物的大脑所独有的结构，也叫新大脑
皮层。这是一个新的大脑，哺乳动物需要它，因为它们需要处理亲子关系、社会互
动的复杂认知功能。从老鼠发展到人，它是如此成功，为了生成这一惊人器官，把
脑结构单元数扩大了大约1000倍。这一研究仍在继续，发展速度很快。
人脑中含有大约1000亿个神经元，这些神经元能够迅速对明媚的阳光、喇叭的鸣响
、炸鸡的气味以及所有其他感觉器官获得的刺激进行理解并做出反应。而如今，有
人使用IBM的超级计算机来模拟人脑的这种机制，这项研究计划称之为蓝脑计划。
这项计划有一种“上万神经元(每一个都不同)的软件模型，它能让研究人员通过数
码技术搭建一个人工皮层单元。虽然每个神经元都是独一无二的，但是，研究人员
已经发现不同大脑的线路有着共同的模式。
为了更好地理解人脑的应激反应，瑞士洛桑的研究人员启动了一项雄心勃勃的计划
——蓝脑计划。该计划使用了IBM的eServer Blue Gene计算机（它每秒钟能够进行
22.8万亿次浮点运算）。蓝脑计划试图模拟老鼠的大脑新皮质单元（
NeoCortical Columns ，简称NCC）中10000个高度复杂的神经元行为。NCC延伸到
整个大脑灰质中，执行高级的计算任务，它们的直径为0.5mm，像蜂巢中的小格子
一样排列在大脑中。
蓝脑计划项目首席研究员Henry Markram表示，Blue Brain项目的第一个目标是在
两三年内通过软件复制NCC，或者说设计出NCC的模板，然后根据大脑不同区域或者
不同动物的大脑对这个模板进行修改，这样就可以模拟各种各样的NCC。
蓝脑计划所做的就是通过在神经元的层次上模拟大脑的行为，对脑实施逆向工程。
研究人员计划创建一个模型工具，可以让其他的神经科学家当在其上做各种实验，
验证各种假设，分析药物的功效时比在真正的大脑上取得更高的效率。这个项目的
初始目标是对构成老鼠新大脑皮层单元(皮层的主要构成模块)的1万个神经元及3千
万个突触连结进行模拟。选择新大脑皮层单元作为模拟的开始是因为它被大家公认
为非常的复杂，它由很多不同的结构构成，每一个结构都包括很多的突触和离子通
道。
蓝脑计划 - 构思基础
“蓝脑”工程，是在IBM拥有的超级计算机——“蓝色基因”的构思基础上，企图
应用超级计算机的高速度，来虚拟人类大脑的多种功能，比如认知、感觉、记忆等
等。而基本思路是：既然要探索人脑活动的原理，就可以先从模拟人脑开始，用电
脑“复制”人脑所有的活动，以及在其内部发生的各种反应。这个模型基于15年来
的各种实验数据－神经形态学，基因表达，离子通道，突触联接，以及很多老鼠的
电生理记录。为分析处理这些信息以及自动重建生理学正确的神经元及相应联接的
3-D模型也编制了很多相关的软件工具。
蓝脑计划 - 科学模型
人造大脑蓝脑计算机的核心设备占据的空间其实很小，体积大概只有4台冰箱那么
大，含有8096块处理器，每块处理器可以模拟1~10个神经元。整套系统大约可以模
拟1亿个简单神经元，相当于老鼠大脑中所包含神经元数量的一半。IBM表示，这台
Blue Brain仅仅是原型产品，以后产品化的Blue Brain售价将达到上亿美元。更新
的Blue Gene将可以模拟10亿个简单神经元。随着计算机运算速度的提高和内存容
量的增加，模拟整个人脑的工作将可能在10年之内完成。
蓝脑计划 - 研究过程
“蓝脑”计划的主要研究对象集中在人类思考和记忆方面，通过对大脑运行过程的
精确模拟，科学家还可以揭开隐藏在精神失常背后的秘密。绝大多数科学家认为，
人类思维和记忆的失常和混乱源于大脑回路中的功能损害。另外，帕金森综合征也
是蓝色大脑计划的主要目标之一，在人类大脑的中层存在一种可以生产“多巴胺”
的细胞，当这些细胞开始死亡的时候，多巴胺的产生数量就会急剧下降，而帕金森
综合征也就随之出现了。
这项计划有一种“上万神经元（每一个都不同）的软件模型，它能让研究人员通过
数码技术搭建一个人工皮层单元。虽然每个神经元都是独一无二的，但是，研究人
员已经发现不同大脑的线路有着共同的模式。虽然大脑有大有小，可能有不同形态
的神经元，但是分享着相同的结构。这就是物种的特别之处，这可以解释人类为什
么不能跨物种交流。
为了制作一个真实的模型，研究组需要把各种模块和一些运算法则输入一台超级电
脑中。一个神经元的计算量需要用一台笔记本来做，所以，需要上万台笔记本。但
是，研究使用的是一台有1万个处理器的IBM“蓝色基因”电脑。模拟大脑已经开始
让研究人员了解到大脑工作方式的一些线索。例如，他们能显示出大脑的画面并监
控机器的电活性。
表现和影射的目标最终会实现，因此，研究人员可能会直接看到大脑感知世界的方
式。随着神经系统科学和哲学的发展，“蓝脑”计划还有着其他实际应用。例如，
通过把世界上所有的有关动物的神经系统学资料汇集在一起，研究人员可能会建造
动物模式。
蓝脑计划 - 应用前景
老鼠新大脑皮层单元对NCC的模拟将有助于理解记忆是如何存储和提取的，揭示大
脑中很多激动人心的秘密，例如记忆的形式、记忆的容量以及遗忘的原理。这项试
验还将帮助科学家搞清楚神经组织的脆弱之处，进而理解大脑功能紊乱的原理，以
此来治疗孤独症、精神分裂症和抑郁症等。此外，这项计划如果成功，很多脑科学
试验可以通过计算机完成。一项脑科学试验如果使用传统方式进行可能需要一整天
，但如果使用计算机模拟的大脑也许只需要几秒钟就能完成。
IBM还将这种计算技术用于生命科学研究，他们甚至认为生物科学在已经在一定程
度上演化成了信息科学，Blue Brain技术的发展将会揭示生物体中的很多有趣现象
，必须要有这样足够复杂的计算机系统才能模拟生物系统。IBM还认为Blue Brain
项目对其他工业和科学研究领域的带动作用将会非常巨大。例如，模拟神经网络行
为的ASIC设计方案将来可能会应用于智能设备的信息处理。另外，从更一般的意义
上说，Blue Bain将推动实时数据处理的发展，而与实时数据处理对应的是离线数
据处理。
而IBM研究院Blue Brain项目的负责人Charles Peck认为，模拟大脑的真正价值在
于研究人员可以获得每个神经元的数据。“虽然科学家对大脑的很多细节已经非常
了解，但是他们仍然不知道大脑各个组成部分之间的结合方式，也不知道大脑如何
思考、如何学习以及如何形成概念，”他说。其意在这项研究可以真正拉近电脑与
人脑之间的距离。
研究团队将对几十个大脑神经元进行测试，这些神经元取自老鼠的大脑并被固定在
芯片上。研究工作的内容包括检测每个神经元的物理结构和电子特征，以及神经元
之间相互作用的方式。目前的这台Blue Gene超级计算机是2005年7月份安装的，8
月份运行了首次模拟运行，模拟了25000个简单神经元，运行时间只花了60s。这种
模拟以前是无法完成的，在普通的计算机集群中，哪怕模拟1000个神经元也要花好
几个星期的时间，Blue Gene在运算规模和速度上都有巨大的进步。
该计划如能成功，那么这个虚拟的大脑将为研究人类的认知，如感觉、记忆甚至意
识提供重要的提示，这可能将是人类首次观察到并同时模拟到我们的大脑用以反映
世界的电子代码，还可能有助于理解当大脑的“微电路”出故障时是如何引起孤独
症、精神分裂症和抑郁症等精神上的紊乱的。
蓝脑计划 - 相关参数
生物大脑（Gray Brain）
1000亿=人脑中神经元的数量
3亿=章鱼大脑中神经元的数量
1300g=成年人类的大脑重量
90g=成年恒河猴的大脑重量
蓝色大脑（Blue Brain）
峰值运算速度22.8T FLOPS
8096颗CPU，每颗运行频率为700MHz（进行大量并行计算时频率会降低）
每颗处理器配备256MB或者512MB内存
软件为Linux和C++
耗电量为100KW
蓝脑计划 - 网络热议
网络上对“蓝脑”的反应也是高潮迭起。一个汇集了很多博士的论坛网站对这项工
程提出了褒贬不一的看法，包括这一工程的可行性、道德标准等等，也有不少人给
出一些有参考价值的建议。还有人开起了玩笑：如果蓝脑真能模拟人脑，那就应该
先让它研究美国总统布什的脑袋，因为这个脑袋相对别人的来说更简单一些。
有些人对模拟新大脑皮层单元表示怀疑。是否是为了创造人工智能。
蓝脑计划 - 最新进展
2009年8月11日，负责蓝脑计划的科学家宣称，他们有望在2020年左右制造出科学
史上第一台会“思考”的机器，它将可能拥有感觉、痛苦、愿望甚至恐惧感。从
2004年至2009年，马克拉姆和他的研究小组已经使用世界上一些最强大的超级电脑
，来模拟宇宙中已知最复杂的“物体”——哺乳动物大脑的某些功能。 |
m******1
发帖数: 95 | 2 我的感觉是他们关注connectivity多过关注neural computation的根本机制。举例来说，如果给某人一堆神经元，每个神经元的脉冲速率都在0-500 pulse per second不等，它们产生的脉冲串都近似符合poisson分布，就用这些只能产生随机脉冲串的元件怎么搭出来一个靠谱的逻辑？甚至搭出来一个能用的滤波器、运算器、控制器？
具体点说，在运动控制领域，如果一个神经元的速率是100 pps，那就相当于你的元件糟糕到等上1秒钟，才有1/100的解析度。这种元件在机器人等工程领域中根本就没法用，但神经系统却能用这种垃圾元件完成如此复杂的运动控制。所以我们认为这里面有非常根本的数学问题要解决
【在 f**d 的大作中提到】
: 请大家都谈谈对BLUE BRAIN PROJECT的看法，
: Henry的用意是好的，充分利用所有的实验数据，重构大脑的皮层数学模型，探讨
: 皮层工作的机制和智力产生的基础。
: 但个人认为该计划有荒谬之处。
: 一个计划好与坏，在于现实与否。
: 他提出这个计划，其实就是全世界范围的理论和实验的神经科学家都一起合作，
: 2015年都根本不可能完成复制猕猴的大脑，更不可能解析皮层工作机制。
: 换句话说，想法是好的，－－想搞个数学模型，搞清楚大脑是怎么工作的
: （－－－谁不想阿！）。但这里头的每个小步骤都或者是当前最热的领域，但还
: 根本没搞清楚怎么回事；或者就是技术手段根本没到位－－有待实验技术上有了突破
|
f**d
发帖数: 768 | 3 他们现在能够关注connectivity还算是靠谱的－－至少有了第一步
前两年看他们做的模型，神经网络内神经元的链接纯粹是统计上模拟生物脑，
这种情况下，怎么可能模拟真实皮层？就像造假一个计算机主板，零件虽然齐全，
但连线上全部打乱－－只是‘统计’上看像真实的计算机主板，怎么可能work?
有了物理上精确的连接，再去谈computation,communicaiton理论才有据可依
另，搞清了真实连接，才能明白一些生物工作回路和方法
－－然后是搞清其编码机制和算法。
目前理论神经方面有太多－－不是太少－－‘假说’、‘理论’、‘计算机制’。。。
有待实验证据来指导哪个方向是正确的。
说，如果给某人一堆神经元，每个神经元的脉冲速率都在0-500 pulse per second不等
，它们产生的脉冲串都近似符合poisson分布，就用这些只能产生随机脉冲串的元件怎
么搭出来一个靠谱的逻辑？甚至搭:
件糟糕到等上1秒钟，才有1/100的解析度。这种元件在机器人等工程领域中根本就没法
用，但神经系统却能用这种垃圾元件完成如此复杂的运动控制。所以我们认为这里面有
非常根本的数学问题要解决
【在 m******1 的大作中提到】
: 我的感觉是他们关注connectivity多过关注neural computation的根本机制。举例来说，如果给某人一堆神经元，每个神经元的脉冲速率都在0-500 pulse per second不等，它们产生的脉冲串都近似符合poisson分布，就用这些只能产生随机脉冲串的元件怎么搭出来一个靠谱的逻辑？甚至搭出来一个能用的滤波器、运算器、控制器？
: 具体点说，在运动控制领域，如果一个神经元的速率是100 pps，那就相当于你的元件糟糕到等上1秒钟，才有1/100的解析度。这种元件在机器人等工程领域中根本就没法用，但神经系统却能用这种垃圾元件完成如此复杂的运动控制。所以我们认为这里面有非常根本的数学问题要解决
|
m******1
发帖数: 95 | 4 connectivity指的是神经元之间的拓扑关系，这种复杂的拓扑关系可能是神经网络能完成复杂功能的根本原因，也可能只是要素之一。所以一部分人包括我们认为，connectivity虽然重要，但可能并不是脑运算能力如此强大的最根本原因。有过一系列的实验证据表明，皮层这一级别的神经结构类似于通用计算机，连到visual input上就能做视觉处理，连到auditory input上就能做声音处理。这就好比说只要某块脑有足够数量的神经元，和足够多的互联，它就有了足够的信息表征能力（信息熵），至于具体怎么连接，未必重要。
不过这种观点仅仅限于皮层这种“通用结构”，一旦考虑到不同级别的神经结构譬如basal ganglia, cerebellum, spinal cord的互联，那connectivity就变得非常重要了。你说的计算机主板的例子很恰当，主板正是cpu、内存、板卡这些不同结构的互联，所以线打乱了就别玩了。通用结构不是主板，而是更类似于可编程的通用芯片，把互联的能力预留好就行，至于具体怎么连等用的时候再说。但类似Blue Brain的项目看上去不是在重建整个神经系统，而恰恰是在重建脑皮层这种通用结构。我不妨再次丢出这个激进的观点：通用结构里connectivity不重要。
那什么重要呢？除了复杂的拓扑关系以外，神经元网络还有一个重要的特征，就是所有的信息传递都是通过随机spiking来完成的。Spiking network最近是个热门话题，人们的逐渐意识到这种信息传递的机制有很多意想不到的好处。关于这一点，我们有几篇发在Neural Computation上的文章，有兴趣建议你读一下，不过heavy in math，不是实验数据。大意就是spiking network具备这样一个特性：不管connectivity怎么复杂或者Non-linear，其中与概率相关的一些量始终是线性的。这种特性的好处就是人和人的大脑不见得要有一样的connectivity，而是只要有相同的spiking机制，就能完成一样的神经控制。
Blue Brain是绝对有价值且nb的，只是目前看来很难用它解决我上面提到的一些问题
【在 f**d 的大作中提到】
: 他们现在能够关注connectivity还算是靠谱的－－至少有了第一步
: 前两年看他们做的模型，神经网络内神经元的链接纯粹是统计上模拟生物脑，
: 这种情况下，怎么可能模拟真实皮层？就像造假一个计算机主板，零件虽然齐全，
: 但连线上全部打乱－－只是‘统计’上看像真实的计算机主板，怎么可能work?
: 有了物理上精确的连接，再去谈computation,communicaiton理论才有据可依
: 另，搞清了真实连接，才能明白一些生物工作回路和方法
: －－然后是搞清其编码机制和算法。
: 目前理论神经方面有太多－－不是太少－－‘假说’、‘理论’、‘计算机制’。。。
: 有待实验证据来指导哪个方向是正确的。
:
|
f**d
发帖数: 768 | 5 挺好的论点
请给下你说的那几篇neural computational文章的链接
想仔细读读再讨论
谢！
完成复杂功能的根本原因，也可能只是要素之一。所以一部分人包括我们认为，
connectivity虽然重要，但可能并不是脑运算能力如此强大的最根本原因。有过一系列
的实验证据表明，皮层这一级别的神经
basal ganglia, cerebellum, spinal cord的互联，那connectivity就变得非常重要了
。你说的计算机主板的例子很恰当，主板正是cpu、内存、板卡这些不同结构的互联，
所以线打乱了就别玩了。通用结构:
有的信息传递都是通过随机spiking来完成的。Spiking network最近是个热门话题，人
们的逐渐意识到这种信息传递的机制有很多意想不到的好处。关于这一点，我们有几篇
发在Neural Computation上的文
。。
不等
【在 m******1 的大作中提到】
: connectivity指的是神经元之间的拓扑关系，这种复杂的拓扑关系可能是神经网络能完成复杂功能的根本原因，也可能只是要素之一。所以一部分人包括我们认为，connectivity虽然重要，但可能并不是脑运算能力如此强大的最根本原因。有过一系列的实验证据表明，皮层这一级别的神经结构类似于通用计算机，连到visual input上就能做视觉处理，连到auditory input上就能做声音处理。这就好比说只要某块脑有足够数量的神经元，和足够多的互联，它就有了足够的信息表征能力（信息熵），至于具体怎么连接，未必重要。
: 不过这种观点仅仅限于皮层这种“通用结构”，一旦考虑到不同级别的神经结构譬如basal ganglia, cerebellum, spinal cord的互联，那connectivity就变得非常重要了。你说的计算机主板的例子很恰当，主板正是cpu、内存、板卡这些不同结构的互联，所以线打乱了就别玩了。通用结构不是主板，而是更类似于可编程的通用芯片，把互联的能力预留好就行，至于具体怎么连等用的时候再说。但类似Blue Brain的项目看上去不是在重建整个神经系统，而恰恰是在重建脑皮层这种通用结构。我不妨再次丢出这个激进的观点：通用结构里connectivity不重要。
: 那什么重要呢？除了复杂的拓扑关系以外，神经元网络还有一个重要的特征，就是所有的信息传递都是通过随机spiking来完成的。Spiking network最近是个热门话题，人们的逐渐意识到这种信息传递的机制有很多意想不到的好处。关于这一点，我们有几篇发在Neural Computation上的文章，有兴趣建议你读一下，不过heavy in math，不是实验数据。大意就是spiking network具备这样一个特性：不管connectivity怎么复杂或者Non-linear，其中与概率相关的一些量始终是线性的。这种特性的好处就是人和人的大脑不见得要有一样的connectivity，而是只要有相同的spiking机制，就能完成一样的神经控制。
: Blue Brain是绝对有价值且nb的，只是目前看来很难用它解决我上面提到的一些问题
|
p*********n
发帖数: 15 | 6 因为blue brain,选择了神经科学这条路。
现在blue brain 升级为了human brain project ,竞争欧盟十年十亿欧元资助，预计
2012年开工，FP7-FET
个人选择从细胞内分子网络水平出发，参与购建这个框架，不准拍砖！
有个neuroinfomatics2010的视频，是前blue brain manager之一讲的，multi-
scale modeling, Sean Hill, 现在INCF Boss吧
这是个大工程，需要很多人的通力合作。
生物背景学计算难啊(−_−＃) |
k*****1
发帖数: 454 | 7 Henry Markram will come to my place to give a seminar in next a few days.
Let's see what he will bring us.
Do u guys have any interesting questions? Maybe I can ask him. |
p*********n
发帖数: 15 | 8
I have 2 questions.
"As we know, the blue brain team has done a great job in reverse engineering
the cortex column on cellular level, and
once before, you said that, in future, you would get this project into
molecular level. Have you started this phrase right
now? And what would you do to molecular level and to combine these different
levels, concerning there would be more
higher levels, into a whole "blue brain"?"
"What is the relationship between blue brain project and human brain project
in FET? Will HBP replace BBP?"
BTW, ls, Where is your place, please?
I am a new student from institute of neuroscience, CAS. ;)
Thx!
【在 k*****1 的大作中提到】
: Henry Markram will come to my place to give a seminar in next a few days.
: Let's see what he will bring us.
: Do u guys have any interesting questions? Maybe I can ask him.
|
m***f
发帖数: 1622 | 9 积极地看，HENRY吸引了社会各界对神经科学的关注和财力物力，必将推动神经科学的
发展
【在 k*****1 的大作中提到】
: Henry Markram will come to my place to give a seminar in next a few days.
: Let's see what he will bring us.
: Do u guys have any interesting questions? Maybe I can ask him.
|
k*****1
发帖数: 454 | 10 I am interested in your paper. Any link? thanks!
完成复杂功能的根本原因，也可能只是要素之一。所以一部分人包括我们认为，
connectivity虽然重要，但可能并不是脑运算能力如此强大的最根本原因。有过一系列
的实验证据表明，皮层这一级别的神经结构类似于通用计算机，连到visual input上就
能做视觉处理，连到auditory input上就能做声音处理。这就好比说只要某块脑有足够
数量的神经元，和足够多的互联，它就有了足够的信息表征能力（信息熵），至于具体
怎么连接，未必重要。
basal ganglia, cerebellum, spinal cord的互联，那connectivity就变得非常重要了
。你说的计算机主板的例子很恰当，主板正是cpu、内存、板卡这些不同结构的互联，
所以线打乱了就别玩了。通用结构不是主板，而是更类似于可编程的通用芯片，把互联
的能力预留好就行，至于具体怎么连等用的时候再说。但类似Blue Brain的项目看上去
不是在重建整个神经系统，而恰恰是在重建脑皮层这种通用结构。我不妨再次丢出这个
激进的观点：通用结构里connectivity不重要。
有的信息传递都是通过随机spiking来完成的。Spiking network最近是个热门话题，人
们的逐渐意识到这种信息传递的机制有很多意想不到的好处。关于这一点，我们有几篇
发在Neural Computation上的文章，有兴趣建议你读一下，不过heavy in math，不是
实验数据。大意就是spiking network具备这样一个特性：不管connectivity怎么复杂
或者Non-linear，其中与概率相关的一些量始终是线性的。这种特性的好处就是人和人
的大脑不见得要有一样的connectivity，而是只要有: 嗤膕piking机制，就能完成
一样的神经控制。
【在 m******1 的大作中提到】
: connectivity指的是神经元之间的拓扑关系，这种复杂的拓扑关系可能是神经网络能完成复杂功能的根本原因，也可能只是要素之一。所以一部分人包括我们认为，connectivity虽然重要，但可能并不是脑运算能力如此强大的最根本原因。有过一系列的实验证据表明，皮层这一级别的神经结构类似于通用计算机，连到visual input上就能做视觉处理，连到auditory input上就能做声音处理。这就好比说只要某块脑有足够数量的神经元，和足够多的互联，它就有了足够的信息表征能力（信息熵），至于具体怎么连接，未必重要。
: 不过这种观点仅仅限于皮层这种“通用结构”，一旦考虑到不同级别的神经结构譬如basal ganglia, cerebellum, spinal cord的互联，那connectivity就变得非常重要了。你说的计算机主板的例子很恰当，主板正是cpu、内存、板卡这些不同结构的互联，所以线打乱了就别玩了。通用结构不是主板，而是更类似于可编程的通用芯片，把互联的能力预留好就行，至于具体怎么连等用的时候再说。但类似Blue Brain的项目看上去不是在重建整个神经系统，而恰恰是在重建脑皮层这种通用结构。我不妨再次丢出这个激进的观点：通用结构里connectivity不重要。
: 那什么重要呢？除了复杂的拓扑关系以外，神经元网络还有一个重要的特征，就是所有的信息传递都是通过随机spiking来完成的。Spiking network最近是个热门话题，人们的逐渐意识到这种信息传递的机制有很多意想不到的好处。关于这一点，我们有几篇发在Neural Computation上的文章，有兴趣建议你读一下，不过heavy in math，不是实验数据。大意就是spiking network具备这样一个特性：不管connectivity怎么复杂或者Non-linear，其中与概率相关的一些量始终是线性的。这种特性的好处就是人和人的大脑不见得要有一样的connectivity，而是只要有相同的spiking机制，就能完成一样的神经控制。
: Blue Brain是绝对有价值且nb的，只是目前看来很难用它解决我上面提到的一些问题
|
|
|
m******1
发帖数: 95 | 11 回版主兼楼上几位，paper见下。不是我写的，是PI多年下来在理论上做的准备，算是
我们组目前的理论框架吧。
Sanger 2011, Neural Computation
http://www.mitpressjournals.org/doi/abs/10.1162/089976698300017
Sanger 1998, Neural Computation
http://www.mitpressjournals.org/doi/abs/10.1162/NECO_a_00151?jo
【在 f**d 的大作中提到】
: 挺好的论点
: 请给下你说的那几篇neural computational文章的链接
: 想仔细读读再讨论
: 谢！
:
: 完成复杂功能的根本原因，也可能只是要素之一。所以一部分人包括我们认为，
: connectivity虽然重要，但可能并不是脑运算能力如此强大的最根本原因。有过一系列
: 的实验证据表明，皮层这一级别的神经
: basal ganglia, cerebellum, spinal cord的互联，那connectivity就变得非常重要了
: 。你说的计算机主板的例子很恰当，主板正是cpu、内存、板卡这些不同结构的互联，
|
m***f
发帖数: 1622 | 12 大体看了下文章，过于抽象的概率理论推导，
坦率地说，不是很喜欢这种东西。
因为这种东西为了理论上的普适化，会极大地减少具体生物特性和参数。
最后根据一条或几条所有神经系统都通有的特性，
推出一些普遍性的推论。的确可用来指导一些实验研究，甚至大型模型模拟的边界
设定。但仅此而已。
另外，做理论的人特容易把皮层想的过于简单化。但事实相反，
皮层内大小网络结构非常之复杂，我们连边都还没摸到。
一个初级视皮层包括的6个分层，其内部存在众多不同种类的子网络，
有不同功能结构和处理任务方式。
并非如你所想，皮层不过是一个‘通用结构’，其内在的connectivity不重要！
恰恰相反，其内在的大大小小层次的具体网络结构决定了spiking network的高维
时空逻辑结构，是至关重要。
因为理论上讲spiking network的种类可以无穷繁多，离开了实验证据基础上的皮
层内子网络结构去谈它，无异于空中楼阁。
个人观点，仅供探讨
系列
要了
联，
【在 m******1 的大作中提到】
: 回版主兼楼上几位，paper见下。不是我写的，是PI多年下来在理论上做的准备，算是
: 我们组目前的理论框架吧。
: Sanger 2011, Neural Computation
: http://www.mitpressjournals.org/doi/abs/10.1162/089976698300017
: Sanger 1998, Neural Computation
: http://www.mitpressjournals.org/doi/abs/10.1162/NECO_a_00151?jo
|
m***f
发帖数: 1622 | 13 cannot believe spending several hours on those papers
his theoretical research,
if used for human movement disorders and disease prediction
and treatment, will be perfect fit---but not for large scale network
modelsfor mimic realistic neural network for discovering intrinsic neural
compuation mechanisms--biophysical and even mathematical.
Because anyway, we don't have much expereimental
data from inside of the brain. So his theory, combined with behavior
measurements could help for making the probabilistic model better to
explain and predict behavior disorders.
算是
【在 m***f 的大作中提到】
: 大体看了下文章，过于抽象的概率理论推导，
: 坦率地说，不是很喜欢这种东西。
: 因为这种东西为了理论上的普适化，会极大地减少具体生物特性和参数。
: 最后根据一条或几条所有神经系统都通有的特性，
: 推出一些普遍性的推论。的确可用来指导一些实验研究，甚至大型模型模拟的边界
: 设定。但仅此而已。
: 另外，做理论的人特容易把皮层想的过于简单化。但事实相反，
: 皮层内大小网络结构非常之复杂，我们连边都还没摸到。
: 一个初级视皮层包括的6个分层，其内部存在众多不同种类的子网络，
: 有不同功能结构和处理任务方式。
|
m******1
发帖数: 95 | 14 部分同意，尤其你后面讲的这个理论框架很适合用来研究movement disorder的问题。
关于你列出的几点，还是有必要继续说说的。第一我给的两篇理论paper并不是fit数据，也不是解释现象，所以这条线上的理论研究并没有trivialize实验工作的意思。这个理论框架的要点在于，从数学上讲一个spiking network应该具备文中提到的特性，因此神经元组成的网络也具备这些特性。所以从工程角度来说，如果利用spiking network的特性造个分布式计算网络出来，可能会有很多意想不到的好处，好处包括做一些明显计算机比人差很多的事，如dealing with uncertainty，compliant movement control等等。另外的一个“好处”是这条理论延伸下去，如果连AI都能显著提升，那可能就很接近神经计算的本质了。不过这个“好处”尚属空中楼阁，目前可作茶余笑谈.
第二就有点涉及哲学了，这帖讲的是reverse engineering the brain，一般来说就算能在硅片上重建出来一个功能上和人脑完全一样的东西，仍然不能解释How the brain works，但是如果重建不出来这么个东西，证明没懂脑的机理。这就是为什么不能光做实验，还得有人来算一算、搭一搭。但reverse engineering大脑的途径不止一种，各自的trade-off也不一。常见的途径是先把神经元数量，突触数量，甚至connectivity都仿真到与真实无二，然后重建出学习、记忆、模式识别等大脑功能。这种途径做出来的“脑”，保证的是神经网络的规模、复杂性，牺牲的往往是速度。每仿真1 ms耗掉的时间经常远远超过1 ms，很难跑到实时，因此很难用来研究神经运动控制。所以我们采取的是另一种trade-off，也就是先不考虑复杂的connectivity，而考虑怎么把速度提上去。这时候理论准备就很重要了，那两篇paper保证了为什么这种trade-off行得通，行得通的原因是忽略掉connectivity不会对spiking network信息的编码、传递有致命影响，因为复杂非线性connectivity可以等效成不依赖connectivity、纯线性的概率叠加(Sanger 2011)。在这种途径下reverse engr出来的“脑”在规模、复杂度、connectivity方面会严重失真，但承载的信息是完备的，运行起来也能达到甚至远远超过实际速度。因此我们的目的是做出这么个东西，然后接到机器人、人手标本、甚至截肢患者身上面研究运动控制。
以上说明之外，替老板喊个冤吧，他可能算是computational neuroscience里面最不愿意“推而广之”或者“简单化”神经结构的人了。MD出身的人对anatomy的执着是嵌到骨子里的。
【在 m***f 的大作中提到】
: 大体看了下文章，过于抽象的概率理论推导，
: 坦率地说，不是很喜欢这种东西。
: 因为这种东西为了理论上的普适化，会极大地减少具体生物特性和参数。
: 最后根据一条或几条所有神经系统都通有的特性，
: 推出一些普遍性的推论。的确可用来指导一些实验研究，甚至大型模型模拟的边界
: 设定。但仅此而已。
: 另外，做理论的人特容易把皮层想的过于简单化。但事实相反，
: 皮层内大小网络结构非常之复杂，我们连边都还没摸到。
: 一个初级视皮层包括的6个分层，其内部存在众多不同种类的子网络，
: 有不同功能结构和处理任务方式。
|
m***f
发帖数: 1622 | 15 其实你老板做的非常好的，数学功底深厚，只是我个人实在是对理论脱离兴趣了。
我不是很清楚你讲的‘spiking network'究竟指什么
如果你指的是神经网络产生的action potential的时空发放模式，
好像目前还没有很好的分析方法。。。
你讲的第二点是合理的，我并不是回避，而是说缺少太多的实验证据，使我们还无法
关注那个层次的时候。
就像牛顿时代，你让他们关注原子核的问题，他们缺乏太多的实验数据，很多理论就
只能建在猜测的水平上。
据，也不是解释现象，所以这条线上的理论研究并没有trivialize实验工作的意思。这
个理论框架的要点在于，从数学上讲一个spiking network应该具备文中提到的特性，
因此神经元组成的网络也具备这些:
算能在硅片上重建出来一个功能上和人脑完全一样的东西，仍然不能解释How the
brain works，但是如果重建不出来这么个东西，证明没懂脑的机理。这就是为什么不
能光做实验，还得有人来算一算、搭一
愿意“推而广之”或者“简单化”神经结构的人了。MD出身的人对anatomy的执着是嵌
到骨子里的。
【在 m******1 的大作中提到】
: 部分同意，尤其你后面讲的这个理论框架很适合用来研究movement disorder的问题。
: 关于你列出的几点，还是有必要继续说说的。第一我给的两篇理论paper并不是fit数据，也不是解释现象，所以这条线上的理论研究并没有trivialize实验工作的意思。这个理论框架的要点在于，从数学上讲一个spiking network应该具备文中提到的特性，因此神经元组成的网络也具备这些特性。所以从工程角度来说，如果利用spiking network的特性造个分布式计算网络出来，可能会有很多意想不到的好处，好处包括做一些明显计算机比人差很多的事，如dealing with uncertainty，compliant movement control等等。另外的一个“好处”是这条理论延伸下去，如果连AI都能显著提升，那可能就很接近神经计算的本质了。不过这个“好处”尚属空中楼阁，目前可作茶余笑谈.
: 第二就有点涉及哲学了，这帖讲的是reverse engineering the brain，一般来说就算能在硅片上重建出来一个功能上和人脑完全一样的东西，仍然不能解释How the brain works，但是如果重建不出来这么个东西，证明没懂脑的机理。这就是为什么不能光做实验，还得有人来算一算、搭一搭。但reverse engineering大脑的途径不止一种，各自的trade-off也不一。常见的途径是先把神经元数量，突触数量，甚至connectivity都仿真到与真实无二，然后重建出学习、记忆、模式识别等大脑功能。这种途径做出来的“脑”，保证的是神经网络的规模、复杂性，牺牲的往往是速度。每仿真1 ms耗掉的时间经常远远超过1 ms，很难跑到实时，因此很难用来研究神经运动控制。所以我们采取的是另一种trade-off，也就是先不考虑复杂的connectivity，而考虑怎么把速度提上去。这时候理论准备就很重要了，那两篇paper保证了为什么这种trade-off行得通，行得通的原因是忽略掉connectivity不会对spiking network信息的编码、传递有致命影响，因为复杂非线性connectivity可以等效成不依赖connectivity、纯线性的概率叠加(Sanger 2011)。在这种途径下reverse engr出来的“脑”在规模、复杂度、connectivity方面会严重失真，但承载的信息是完备的，运行起来也能达到甚至远远超过实际速度。因此我们的目的是做出这么个东西，然后接到机器人、人手标本、甚至截肢患者身上面研究运动控制。
: 以上说明之外，替老板喊个冤吧，他可能算是computational neuroscience里面最不愿意“推而广之”或者“简单化”神经结构的人了。MD出身的人对anatomy的执着是嵌到骨子里的。
|
m******1
发帖数: 95 | 16 spiking network就好比你造一个通信网络，不管是软件和硬件在互联的时候都不能传
数字，而只能传一串符合poisson分布的脉冲串spike trains. 这个网络要能计算、能
模式识别、还能实时控制运动。
换句话说，给你一堆只能firing spikes的神经元，怎么搭出来一个有输入有输出的计
算设备。只要能搭出来，这就是个spiking network
【在 m***f 的大作中提到】
: 其实你老板做的非常好的，数学功底深厚，只是我个人实在是对理论脱离兴趣了。
: 我不是很清楚你讲的‘spiking network'究竟指什么
: 如果你指的是神经网络产生的action potential的时空发放模式，
: 好像目前还没有很好的分析方法。。。
: 你讲的第二点是合理的，我并不是回避，而是说缺少太多的实验证据，使我们还无法
: 关注那个层次的时候。
: 就像牛顿时代，你让他们关注原子核的问题，他们缺乏太多的实验数据，很多理论就
: 只能建在猜测的水平上。
:
: 据，也不是解释现象，所以这条线上的理论研究并没有trivialize实验工作的意思。这
|
m***f
发帖数: 1622 | 17 这样的话，和hopfield神经网络有什么区别呢？
HOPFIELD的82年以能量状态来描述神经信号对感知信号的编码，
可能还是目前这个领域尚未超越的吧
。这
性，
【在 m******1 的大作中提到】
: spiking network就好比你造一个通信网络，不管是软件和硬件在互联的时候都不能传
: 数字，而只能传一串符合poisson分布的脉冲串spike trains. 这个网络要能计算、能
: 模式识别、还能实时控制运动。
: 换句话说，给你一堆只能firing spikes的神经元，怎么搭出来一个有输入有输出的计
: 算设备。只要能搭出来，这就是个spiking network
|
l*****7
发帖数: 153 | 18 米诺牛 你的头像是牛人的意思
据，也不是解释现象，所以这条线上的理论研究并没有trivialize实
验工作的意思。这个理论框架的要点在于，从数学上讲一个spiking network应该具备
文中提到的特性，因此神经元组成的网络也具备这些特性。所以
从工程角度来说，如果利用spiking network的特性造个分布式计算网络出来，可能会
有很多意想不到的好处，好处包括做一些明显计算机比人差很多
的事，如dealing with uncertainty，compliant movement control等等。另外的一个
“好处”是这条理论延伸下去� 绻珹I都能显著提升，那可能就很
接近神经计算的本质了。不过这个“好处”尚属空中楼阁，目前可作茶余笑谈.
算能在硅片上重建出来一个功能上和人脑完全一样的东西，仍然不能
解释How the brain works，但是如果重建不出来这么个东西，证明没懂脑的机理。这
就是为什么不能光做实验，还得有人来算一算、搭一搭。但
reverse engineering大脑的途径不止一种，各自的trade-off也不一。常见的途径是先
把神经元数量，突触数量，甚至connectivity都仿真到与真实无
二，然后重建出学习、记忆、模式识别等大脑功能。这种途径做出来的“脑”，保证的
是神经网络的规模、复杂性，牺牲� 耐撬俣取Ｃ糠抡� ms耗掉
的时间经常远远超过1 ms，很难跑到实时，因此很难用来研究神经运动控制。所以我们
采取的是另一种trade-off，也就是先不考虑复杂的
connectivity，而考虑怎么把速度提上去。这时候理论准备就很重要了，那两篇paper
保证了为什么这种trade-off行得通，行得通的原因是忽略掉
connectivity不会对spiking network信息的编码、传递有致命影响，因为复杂非线性
connectivity可以等效成不依赖connectivity、纯线性的概率叠加
(Sanger 2011)。在这种途径下reverse engr出来的“脑”在规模、复杂度、
connectivity方面会严重� д妫性氐男畔⑹峭瓯傅模诵衅鹄匆材艽锏缴
踔猎
对冻导仕俣取Ｒ虼宋颐堑哪康氖亲龀稣饷锤龆鳎缓蠼拥交魅恕⑷耸直瓯尽⑸
踔两刂颊呱砩厦嫜芯吭硕刂啤�: 以上说明之外，替老板喊个冤
吧，他可能算是computational neuroscience里面最不愿意“推而广之”或者“简单化
”神经结构的人了。MD出身的人对anatomy的执着是嵌到骨子里的。
【在 m******1 的大作中提到】
: 部分同意，尤其你后面讲的这个理论框架很适合用来研究movement disorder的问题。
: 关于你列出的几点，还是有必要继续说说的。第一我给的两篇理论paper并不是fit数据，也不是解释现象，所以这条线上的理论研究并没有trivialize实验工作的意思。这个理论框架的要点在于，从数学上讲一个spiking network应该具备文中提到的特性，因此神经元组成的网络也具备这些特性。所以从工程角度来说，如果利用spiking network的特性造个分布式计算网络出来，可能会有很多意想不到的好处，好处包括做一些明显计算机比人差很多的事，如dealing with uncertainty，compliant movement control等等。另外的一个“好处”是这条理论延伸下去，如果连AI都能显著提升，那可能就很接近神经计算的本质了。不过这个“好处”尚属空中楼阁，目前可作茶余笑谈.
: 第二就有点涉及哲学了，这帖讲的是reverse engineering the brain，一般来说就算能在硅片上重建出来一个功能上和人脑完全一样的东西，仍然不能解释How the brain works，但是如果重建不出来这么个东西，证明没懂脑的机理。这就是为什么不能光做实验，还得有人来算一算、搭一搭。但reverse engineering大脑的途径不止一种，各自的trade-off也不一。常见的途径是先把神经元数量，突触数量，甚至connectivity都仿真到与真实无二，然后重建出学习、记忆、模式识别等大脑功能。这种途径做出来的“脑”，保证的是神经网络的规模、复杂性，牺牲的往往是速度。每仿真1 ms耗掉的时间经常远远超过1 ms，很难跑到实时，因此很难用来研究神经运动控制。所以我们采取的是另一种trade-off，也就是先不考虑复杂的connectivity，而考虑怎么把速度提上去。这时候理论准备就很重要了，那两篇paper保证了为什么这种trade-off行得通，行得通的原因是忽略掉connectivity不会对spiking network信息的编码、传递有致命影响，因为复杂非线性connectivity可以等效成不依赖connectivity、纯线性的概率叠加(Sanger 2011)。在这种途径下reverse engr出来的“脑”在规模、复杂度、connectivity方面会严重失真，但承载的信息是完备的，运行起来也能达到甚至远远超过实际速度。因此我们的目的是做出这么个东西，然后接到机器人、人手标本、甚至截肢患者身上面研究运动控制。
: 以上说明之外，替老板喊个冤吧，他可能算是computational neuroscience里面最不愿意“推而广之”或者“简单化”神经结构的人了。MD出身的人对anatomy的执着是嵌到骨子里的。
|
d*****r
发帖数: 2583 | 19 the problem is, we need to find direct evidence of these kinds of
network computation, such a Hopfield network, in vivo, or even
in vitro. Until then, all these are just hypothesis.
【在 m***f 的大作中提到】
: 这样的话，和hopfield神经网络有什么区别呢？
: HOPFIELD的82年以能量状态来描述神经信号对感知信号的编码，
: 可能还是目前这个领域尚未超越的吧
:
: 。这
: 性，
|
m******1
发帖数: 95 | 20 很高兴你能指出Hopfield network，和我说的spiking network有相似有不同。
相似的是，每一个神经元都是一个0/1发生器，根据synaptic传来的输入决定是否从0变成1
不同的也很明显，如果你从Hopfield网络里面拽一个神经元出来做neuron recording，会发现大部分神经元的虽然是在0/1之间变来变去，但这个0/1串不符合poisson分布（这是我的推论，我没有仿真实测过也没有看到过类似文章）。而神经脉冲符合poisson分布这是在大量neuron recording的实验数据上总结出来的，虽有例外，但也算得上是个“金科玉律”了。我说的spiking network一定要保证神经元符合poisson分布，这应该是和Hopfield network的显著不同之一，也是难点之一。
希望也对楼上的demoner也make sense
【在 m***f 的大作中提到】
: 这样的话，和hopfield神经网络有什么区别呢？
: HOPFIELD的82年以能量状态来描述神经信号对感知信号的编码，
: 可能还是目前这个领域尚未超越的吧
:
: 。这
: 性，
|
|
|
m***f
发帖数: 1622 | 21 谁说神经元发放符合泊松分布的？
除了那些脱离实验整天活在理论中的COMPUTATIONAL SCIENTIST，
现在，你见过几个做实验的，或理论实验结合好的这么说的？
当较好地减少记录本身带来的噪声时，both in vivo and in vitro的皮层神经元
的发放特性都是远离泊松分布的。当记录噪声比较大时，in vivo的SPIKING发放
的确符合泊松分布，但很大程度上由背景记录噪声引起。
(---此结论来自我自己对实验数据的记录和分析，以及相关最新几年的文献。)
很好笑10年前的‘假设’，现在搞理论的人还这么继续着
（－－但也可能我错的，并没有持续关注这个问题）
变成1
，会发现大部分神经元的虽然是在0/1之间变来变去，但这个0/1串不符合poisson分布
（这是我的推论，我没有仿真实测过也没有看到过类似文章）。而大量neuron
recording的实验表明，神经元在产生脉冲:
【在 m******1 的大作中提到】
: 很高兴你能指出Hopfield network，和我说的spiking network有相似有不同。
: 相似的是，每一个神经元都是一个0/1发生器，根据synaptic传来的输入决定是否从0变成1
: 不同的也很明显，如果你从Hopfield网络里面拽一个神经元出来做neuron recording，会发现大部分神经元的虽然是在0/1之间变来变去，但这个0/1串不符合poisson分布（这是我的推论，我没有仿真实测过也没有看到过类似文章）。而神经脉冲符合poisson分布这是在大量neuron recording的实验数据上总结出来的，虽有例外，但也算得上是个“金科玉律”了。我说的spiking network一定要保证神经元符合poisson分布，这应该是和Hopfield network的显著不同之一，也是难点之一。
: 希望也对楼上的demoner也make sense
|
m******1
发帖数: 95 | 22 sorry，关于poisson分布用词过度了，尤其是做实验的人来说。
这么说吧，研究神经网络的时候，要考虑到实验中已经观测到的neuron firing pattern，不管这个pattern是poisson也好，非poisson也好，只要有人观测过、总结过，就应该在neural network的单个神经元中体现出来。
Hopfield network不考虑这些
【在 m***f 的大作中提到】
: 谁说神经元发放符合泊松分布的？
: 除了那些脱离实验整天活在理论中的COMPUTATIONAL SCIENTIST，
: 现在，你见过几个做实验的，或理论实验结合好的这么说的？
: 当较好地减少记录本身带来的噪声时，both in vivo and in vitro的皮层神经元
: 的发放特性都是远离泊松分布的。当记录噪声比较大时，in vivo的SPIKING发放
: 的确符合泊松分布，但很大程度上由背景记录噪声引起。
: (---此结论来自我自己对实验数据的记录和分析，以及相关最新几年的文献。)
: 很好笑10年前的‘假设’，现在搞理论的人还这么继续着
: （－－但也可能我错的，并没有持续关注这个问题）
:
|
m***f
发帖数: 1622 | 23 i see your point, which is good!
if current modeling people think about the realistic neural firing property
into the neural network model, then it is good.
so now question is what kind of model these people used to generate
neuron-based firing pattern? leaky integrate-and-fire model? hodgkin-huxley?
or just statistically give a possion-like spiking pattern model?
pattern，不管这个pattern是poisson也好，非poisson也好，只要有人观测过、总结过
，就应该在neural network的单个神经元中体现出来。
分布
【在 m******1 的大作中提到】
: sorry，关于poisson分布用词过度了，尤其是做实验的人来说。
: 这么说吧，研究神经网络的时候，要考虑到实验中已经观测到的neuron firing pattern，不管这个pattern是poisson也好，非poisson也好，只要有人观测过、总结过，就应该在neural network的单个神经元中体现出来。
: Hopfield network不考虑这些
|
m******1
发帖数: 95 | 24 Huh, great talk with you. 我很好奇你是做什么的，会上要是见到细聊。
就我们这里来说，LIF的生理依据不足，Hodgkin-Huxley参数太多又都是微分方程，根
本跑不快。我们需要both biologically realistic + computationally cheap
最后选的是折衷的Izhikevich, "the point of the Izhikevich neuron is not to
gain an understanding of how a neuron works, but to be able to replicate a
wide range of experimentally observed neural spiking behavior cheaply for
use in large-scale simulations. "
property
huxley?
【在 m***f 的大作中提到】
: i see your point, which is good!
: if current modeling people think about the realistic neural firing property
: into the neural network model, then it is good.
: so now question is what kind of model these people used to generate
: neuron-based firing pattern? leaky integrate-and-fire model? hodgkin-huxley?
: or just statistically give a possion-like spiking pattern model?
:
: pattern，不管这个pattern是poisson也好，非poisson也好，只要有人观测过、总结过
: ，就应该在neural network的单个神经元中体现出来。
: 分布
|
m***f
发帖数: 1622 | 25 我做电生理的，也做些模型，也许我们可以在SFN上好好聊聊。
Izhikevich's model， 嗯，想不到这人在这个地方终于找到计算神经科学史上的
一个立足点--之所以这样说，是因为，仅我所知，就很多做模型的把他的作为首选了。
坦率地讲，他的模型还是很不错的。 他是先把以前的模型的特性都吃透了，
然后他创建了一个以他命名的新的模型，具备基本特性，还非常简单。
结过
【在 m******1 的大作中提到】
: Huh, great talk with you. 我很好奇你是做什么的，会上要是见到细聊。
: 就我们这里来说，LIF的生理依据不足，Hodgkin-Huxley参数太多又都是微分方程，根
: 本跑不快。我们需要both biologically realistic + computationally cheap
: 最后选的是折衷的Izhikevich, "the point of the Izhikevich neuron is not to
: gain an understanding of how a neuron works, but to be able to replicate a
: wide range of experimentally observed neural spiking behavior cheaply for
: use in large-scale simulations. "
:
: property
: huxley?
|
m******1
发帖数: 95 | 26 有意思，在这个大领域中我们基本算同行了，那很多介绍性的话就可以省了。不过我一
直是movement neuroscience，属于从人体宏观往生物微观走的那一拨人。
有一条我在上面没讲到，不管是LIF，Hodgkin-Huxley还是Izhikevich描述的都不是
firing pattern (譬如poisson / non-poisson)，这些模型描述的是单个spike的
action potential.
所以如果要把实验观测到的firing pattern综合到neural network里面，就要用“统计
学”的办法来生成这种脉冲串。举个简单的例子就是，好比你是个neuron，每个毫秒我
都问你要不要firing，你回答yes/no，如果你yes了则用izhikevich生成一个spike，要
求是对你所有spikes的宏观观测呈poisson分布。这个当然也不难了，只是需要在仿真
的时候考虑进去，而且在工程上有难度
【在 m***f 的大作中提到】
: 我做电生理的，也做些模型，也许我们可以在SFN上好好聊聊。
: Izhikevich's model， 嗯，想不到这人在这个地方终于找到计算神经科学史上的
: 一个立足点--之所以这样说，是因为，仅我所知，就很多做模型的把他的作为首选了。
: 坦率地讲，他的模型还是很不错的。 他是先把以前的模型的特性都吃透了，
: 然后他创建了一个以他命名的新的模型，具备基本特性，还非常简单。
:
: 结过
|
k*****1
发帖数: 454 | 27 这个报告做了很长时间，留下一点点时间给问问题，我问了个我感兴趣的，没时间问你
的，抱歉。但是从他的报告来看，现在还没涉及到分子层次上东西。
其他的一些感想，
（1）这人做报告的水平颇高，被系里的老教授们评价说像 Eric. Kandel
（2）用了很多动画效果来显示结果，特别酷，尤其是最后一张slides，整的像星际迷
航一样。据说花了大价钱雇了外面的公司做的。
engineering
different
project
【在 p*********n 的大作中提到】
:
: I have 2 questions.
: "As we know, the blue brain team has done a great job in reverse engineering
: the cortex column on cellular level, and
: once before, you said that, in future, you would get this project into
: molecular level. Have you started this phrase right
: now? And what would you do to molecular level and to combine these different
: levels, concerning there would be more
: higher levels, into a whole "blue brain"?"
: "What is the relationship between blue brain project and human brain project
|
m***f
发帖数: 1622 | 28 有没有录像洒?
做报告的水平高，说明他会很会卖
【在 k*****1 的大作中提到】
: 这个报告做了很长时间，留下一点点时间给问问题，我问了个我感兴趣的，没时间问你
: 的，抱歉。但是从他的报告来看，现在还没涉及到分子层次上东西。
: 其他的一些感想，
: （1）这人做报告的水平颇高，被系里的老教授们评价说像 Eric. Kandel
: （2）用了很多动画效果来显示结果，特别酷，尤其是最后一张slides，整的像星际迷
: 航一样。据说花了大价钱雇了外面的公司做的。
:
: engineering
: different
: project
|
k*****1
发帖数: 454 | 29 没有录像。的确，很多人都觉得他会sell story。
他做的东西和我做的比较接近。我问了一个很关键的细节性问题，感觉他也没有太好的
办法去解决，该猜的还是猜。 不过就整体而言，这么大的一个project，方方面面都考
虑到，还真是挺不错的。 |
m***f
发帖数: 1622 | 30 你在哪个学校？
他还是很运气的，众人拾柴火焰高
有很多做计算模型和实验的实验室在帮他
而且一旦他的项目变成human brain project，将会有数十个实验室加入
【在 k*****1 的大作中提到】
: 没有录像。的确，很多人都觉得他会sell story。
: 他做的东西和我做的比较接近。我问了一个很关键的细节性问题，感觉他也没有太好的
: 办法去解决，该猜的还是猜。 不过就整体而言，这么大的一个project，方方面面都考
: 虑到，还真是挺不错的。
|
|
|
k*****1
发帖数: 454 | 31 呵呵，我在一个医学院，在一个纯实验的lab里面。
其实不能简简单单说他很幸运，我听他报告的时候就觉得这人特别自信，做事情很坚定
，这些都是成功的前提。比如说你们前面的帖子里面讨论到，如果建立一个detailed模型，有太多的细
节要考虑，而且会导致computational expensive，所以就不尝试了。我个人认为，只有首先尝试尽可
能的重复生物细节，才能慢慢的了解机理。他给我的印象就是，不仅不回避这些细节，而且尽可能的去
探索这些细节的东西。比如说他花了很多时间去做实验来研究细胞和细胞之间synapses的分布从而建立
出统计模型出来。实验本身都是那种很琐碎的，所以需要极大的勇气和决心才能持之以恒的花这么大的
精力去做。
【在 m***f 的大作中提到】
: 你在哪个学校？
: 他还是很运气的，众人拾柴火焰高
: 有很多做计算模型和实验的实验室在帮他
: 而且一旦他的项目变成human brain project，将会有数十个实验室加入
|
