Modeling and simulation of multi-scale spiking neuronal networks

Schmidt, Maximilian; Diesmann, Markus; Offenhäusser, Andreas

doi:HT019045757

Modeling and simulation of multi-scale spiking neuronal networks = Modellierung und Simulation vielskaliger spikender neuronaler Netze

Schmidt, Maximilian

2016

Verantwortlichkeitsangabevorgelegt von Diplom-Physiker Maximilian Schmidt

ImpressumAachen 2016

Umfang1 Online Ressource (x, 199 Seiten) : Illustrationen

Dissertation, RWTH Aachen University, 2016

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Diesmann, Markus (Thesis advisor) ; Offenhäusser, Andreas (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2016-05-24

Online
URN: urn:nbn:de:hbz:82-rwth-2016-056717
URL: https://publications.rwth-aachen.de/record/660929/files/660929.pdf
URL: https://publications.rwth-aachen.de/record/660929/files/660929.pdf?subformat=pdfa

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
cortex (frei) ; computational neuroscience (frei) ; visual cortex (frei) ; mean-field theory (frei) ; spiking neurons (frei)

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
Es ist ein zentrales Anliegen der Neurowissenschaften, den Zusammenhang zwischen Struktur und Dynamik in Netzwerken des Gehirns zu verstehen. Modelle von neuronalen Netzen sind nützliche Werkzeuge, um diesbezüglich Hypothesen zu überprüfen, weil sie nach Belieben modifiziert werden können. Die vorliegende Arbeit präsentiert ein Netzwerkmodell des visuellen Kortex eines Makaken, bestehend aus 32 kortikalen Arealen mit geschichteter Struktur und insgesamt mehr als vier Millionen Neuronen. Die Arbeit nimmt Probleme auf verschiedenen Ebenen des Prozesses der Modellierung und Simulation solcher Netzwerke in Angriff. Software zur Simulation neuronaler Netze bedarf einer effizienten Repräsentation der Netzwerkkomponenten und muss die numerischen Gleichungen der Neuron- und Synapsenmodelle mit hoher Geschwindigkeit lösen, um die vorhandenen Rechenplattformen von Laptops bis zu Supercomputern optimal auszunutzen. Wir beschreiben hier die vierte Generation des Softwarekerns des Netzwerksimulators NEST und demonstrieren seine verbesserte Leistungsfähigkeit in Bezug auf die speichereffiziente Benutzung von Supercomputern. In Anbetracht der wachsenden Menge verfügbarer experimenteller Daten über die Struktur des Kortex dank neuer Technologien und koordinierter Anstrengungen großer Forschungsverbünde ist es eine Herausforderung, dieses Wissen in eine konsistente Modelldefinition auf der Ebene von Neuronen und Synapsen zu integrieren. Um das Netzwerkmodell zu konstruieren, führen wir eine große Sammlung von experimentellen Daten mit systematischen Gesetzmäßigkeiten kortikaler Struktur zu einer kohärenten Beschreibung der Anatomie zusammen. Unsicherheiten und Lücken in anatomischen Daten lassen dabei Spielraum für geeignete Netzwerkrealisationen, deren Bestimmung durch die hohe Dimensionalität solch vielskaliger Netzwerke erschwert wird. Wir präsentieren hier eine theoretische Methode, die es ermöglicht, experimentelle Aktivitätsdaten in die Modellkonstruktion einzubinden. Die Methode analysiert den Einfluss von strukturellen Komponenten des Modells auf seine Dynamik und bestimmt einen minimalen Satz von Modifikationen, die zu biologisch plausibler Aktivität führen. Daraus ergeben sich Hypothesen für zukünftige anatomische Studien und damit eine Rückwirkung von Netzwerkmodellen auf Experimente. Durch numerische Simulationen des Modells finden wir einen stabilen Grundzustand mit asynchroner, unregelmäßiger Aktivität und heterogenen Aktivitätsmustern in verschiedenen kortikalen Arealen. Die simulierte Aktivität weist Korrelationsmuster zwischen Hirnregionen auf, die denen von experimentellen Messungen im Makakenkortex ähneln. Zusammengefasst etabliert diese Arbeit einen geschlossenen Workflow für die Konstruktion, Simulationen und Analyse großskaliger neuronaler Netzwerkmodelle.Das vorgestellte Modell reproduziert wichtige Aspekte kortikaler Aktivität und wird durch seine Erweiterbarkeit auf verschiedenen Ebenen als Prüfstand für Hypothesen über die Beziehung von Struktur und Dynamik im Kortex dienen.

The link between structure and dynamics of brain networks is a key topic in neuroscience.Neuronal network models are useful tools to test corresponding hypotheses because they can be manipulated at will. This thesis presents a network model of macaque visual cortex comprising 32 cortical areas with laminar structure and a total of more than four million neurons. We address problems at different stages in the workflow of modeling and simulating such networks. Neural network simulation software needs to efficiently represent the network components and solve the numerical equations of neuron and synapse models at high speed to make optimal use of computing platforms from laptops to supercomputers. We describe the fourth generation software kernel of the neural network simulator NEST and demonstrate its improved performance in terms of memory-efficient usage of supercomputing technology. With experimental data on cortical structure being increasingly available owing to new technologies and concerted efforts of large consortia, it remains an open challenge to integrate this knowledge into a consistent definition of a network model at the level of neurons and synapses. The construction of the network model presented in this thesis combines a large body of experimental knowledge with systematic regularities on cortical structure to arrive at a coherent anatomical description. Uncertainties and gaps in the data leave room for finding a good realization of the network connectivity, which is complicated by the high dimensionality of such multi-scale networks. We present a theoretical method which enables the integration of experimental activity data into the model construction. The method analyzes the impact of the structural components of the model on its collective dynamics and identifies a minimal set of modifications yielding biologically plausible activity. This leads to hypotheses for future anatomical studies and thus creates a feedback link from network models to experiments. Numerical simulations of the model reveal a stable ground state with asynchronous, irregular activity and heterogeneous activity patterns across cortical areas. The simulated activity displays a pattern of correlations between brain regions similar to that observed experimentally in macaque cortex.In conclusion, this work establishes a closed-loop framework for the construction, simulation and analysis of large-scale neuronal network models. The presented model reproduces important aspects of cortical activity and, being amenable to refinements and extensions on multiple levels, will serve as a testbed for further hypotheses on the relationship between dynamics and structure in cortex.

OpenAccess:
PDF PDF (PDFA)
(additional files)