本發(fā)明公開(kāi)了一種基于即時(shí)編譯的神經(jīng)動(dòng)力學(xué)仿真方法及裝置。該仿真方法包括如下步驟：在高級(jí)編程語(yǔ)言中設(shè)置神經(jīng)動(dòng)力學(xué)模型所需的模型支持，并構(gòu)建神經(jīng)動(dòng)力學(xué)模型的相關(guān)更新函數(shù)；根據(jù)神經(jīng)動(dòng)力學(xué)模型的相關(guān)更新函數(shù)、預(yù)設(shè)連接規(guī)則和神經(jīng)元群之間突觸連接的基本信息，構(gòu)建神經(jīng)動(dòng)力學(xué)模型；使用即時(shí)編譯方法對(duì)構(gòu)建好的神經(jīng)動(dòng)力學(xué)模型進(jìn)行動(dòng)力學(xué)模擬，或者基于抽象語(yǔ)言樹(shù)解析對(duì)構(gòu)建好的神經(jīng)動(dòng)力學(xué)模型進(jìn)行動(dòng)力學(xué)分析，并按要求輸出相應(yīng)的結(jié)果。利用本發(fā)明，能夠有效地滿足神經(jīng)動(dòng)力學(xué)仿真編程中用戶的易學(xué)易用、靈活透明、模擬分析一體化和運(yùn)行高效的基本需求。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于即時(shí)編譯的神經(jīng)動(dòng)力學(xué)仿真方法，同時(shí)也涉及相應(yīng)的神經(jīng)動(dòng)力學(xué)仿真裝置，屬于計(jì)算神經(jīng)科學(xué)技術(shù)領(lǐng)域。

背景技術(shù)

計(jì)算神經(jīng)科學(xué)是一門(mén)迅猛發(fā)展的高度交叉的新學(xué)科，其目標(biāo)是使用神經(jīng)動(dòng)力學(xué)模型對(duì)生物大腦進(jìn)行建模，以便于對(duì)大腦的工作原理進(jìn)行模擬和分析。同時(shí)，該門(mén)學(xué)科也為人工智能的發(fā)展提供了新的思想和模型，其起到了腦科學(xué)與類腦智能之間的橋梁作用。

當(dāng)前主流的神經(jīng)動(dòng)力學(xué)仿真平臺(tái)有NEURON、NEST、BRIAN2。NEURON和NEST提供了Python編程語(yǔ)言的接口，允許用戶直接調(diào)用預(yù)定義的內(nèi)置神經(jīng)動(dòng)力學(xué)模型。然而，一旦用戶需要自定義神經(jīng)動(dòng)力學(xué)模型，就需要學(xué)習(xí)底層C++/SLI/Hoc等編程語(yǔ)言。因此用戶的學(xué)習(xí)成本較高，并嚴(yán)重限制了神經(jīng)動(dòng)力學(xué)模型自定義的靈活性。

BRIAN2提供了一種字符串編程的方法。允許用戶輸入字符串來(lái)定義滿足神經(jīng)動(dòng)力學(xué)仿真方法假設(shè)的神經(jīng)元或突觸模型，再據(jù)此生成C++代碼。通過(guò)這種方式，用戶可基于BRIAN2方便快捷地定義神經(jīng)動(dòng)力學(xué)模型，并獲得較好的仿真速度。這種被稱為“生成代碼”(Code Generation)的方法目前取得了巨大的成功，但依然存在著本質(zhì)的局限性。首先，字符串編程實(shí)質(zhì)上是偽編程，它嚴(yán)重地限制了編程原有的可操作性和表現(xiàn)力。其次，字符串編程使得用戶難以進(jìn)行調(diào)試，加之，生成的代碼對(duì)用戶隱藏，生成代碼的邏輯對(duì)用戶不透明，用戶不清楚神經(jīng)動(dòng)力學(xué)仿真方法是否生成了自己想要的代碼邏輯，并且一旦發(fā)現(xiàn)錯(cuò)誤后用戶根本無(wú)法糾正代碼。不僅如此，當(dāng)前神經(jīng)動(dòng)力學(xué)仿真方法無(wú)法提供任何動(dòng)力學(xué)分析的工具，用戶進(jìn)行動(dòng)力學(xué)分析往往陷入尷尬的境地。

發(fā)明內(nèi)容

本發(fā)明所要解決的首要技術(shù)問(wèn)題在于提供一種基于即時(shí)編譯的神經(jīng)動(dòng)力學(xué)仿真方法。

本發(fā)明所要解決的另一技術(shù)問(wèn)題在于提供一種基于即時(shí)編譯的神經(jīng)動(dòng)力學(xué)仿真裝置。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用下述技術(shù)方案：

根據(jù)本發(fā)明實(shí)施例的第一方面，提供一種基于即時(shí)編譯的神經(jīng)動(dòng)力學(xué)仿真方法,包括如下步驟：

步驟S1、在高級(jí)編程語(yǔ)言中設(shè)置神經(jīng)動(dòng)力學(xué)模型所需的模型支持，并構(gòu)建所述神經(jīng)動(dòng)力學(xué)模型的相關(guān)更新函數(shù)；

步驟S2、根據(jù)所述神經(jīng)動(dòng)力學(xué)模型的相關(guān)更新函數(shù)、預(yù)設(shè)連接規(guī)則和神經(jīng)元群之間突觸連接的基本信息，構(gòu)建所述神經(jīng)動(dòng)力學(xué)模型；

步驟S3、使用即時(shí)編譯方法對(duì)構(gòu)建好的神經(jīng)動(dòng)力學(xué)模型進(jìn)行動(dòng)力學(xué)模擬，或者基于抽象語(yǔ)言樹(shù)解析對(duì)構(gòu)建好的神經(jīng)動(dòng)力學(xué)模型進(jìn)行動(dòng)力學(xué)分析，并按要求輸出相應(yīng)的結(jié)果。

其中較優(yōu)地，所述相關(guān)更新函數(shù)是指構(gòu)建所述神經(jīng)動(dòng)力學(xué)模型中每個(gè)神經(jīng)元和突觸的更新函數(shù)；

對(duì)于微分方程為常微分方程時(shí)，構(gòu)建每個(gè)神經(jīng)元或突觸的更新函數(shù)時(shí)，計(jì)算每個(gè)神經(jīng)元或突觸的各個(gè)微分方程分別從上一時(shí)刻～下一時(shí)刻的神經(jīng)元或突觸的狀態(tài)變量的函數(shù)值，并分別調(diào)用每個(gè)微分方程得到的神經(jīng)元或突觸的狀態(tài)變量的函數(shù)進(jìn)行積分操作后，整合成一個(gè)積分函數(shù)，作為每個(gè)神經(jīng)元或突觸的更新函數(shù)；