Reti neurali spiking asincrone
Questa area di ricerca riguarda lo sviluppo di un simulatore tempo-continuo di reti neurali spiking, semplice ed efficiente, che tiene conto dei parametri neuronali biologici di base, in cui il tempo di spike latency (Fig. 1) rappresenta il principale effetto per la generazione degli spike. È stata operata un'accurata analisi preliminare della spike latency, applicando i classici metodi di modellazione per singoli neuroni, tramite simulazioni sul modello biologico più accurato: il modello Hodgkin-Huxley.
FIGURA 1. In rosso è indicato l'andamento della spike latency in funzione del potenziale di membrana Vm (scala in rosso), o alternativamente in funzione della corrente esterna Iext. Tale andamento è stato ottenuto tramite simulazioni in ambiente NEURON. La curva blue tratteggiata indica l'andamento di un'iperbole equilatera attraverso la quale abbiamo approssimato il comportamento della spike latency. Inoltre, viene riportato in blue l'asse normalizzato S, indicante lo stato del neurone. Si noti che al di sotto di Sth (cioè della spiking threshold) nessuno spike può essere generato (area evanescente in blu).
Sulla base della teoria neuronale classica, sono stati definiti gli altri parametri fondamentali del sistema, come il decadimento sottosoglia, il periodo refrattario, il comportamento inibitorio, la plasticità sinaptica, ecc.
La natura continua della latenza richiede la necessità di effettuare simulazioni di tipo tempo-continuo e quindi l'implementazione di metodi di calcolo clock-based non risulta appropriata. Inoltre, a causa dell'elevata sensibilità intrinseca dell'intero sistema per eventi vicini e alle elevate dinamiche temporali dell'attività spiking, è indispensabile un metodo di simulazione event-driven. Infatti, per il modello di neurone proposto, l'alta precisione e l'efficienza di calcolo sono requisiti fondamentali.
È quindi in continuo perfezionamento l'implementazione e lo studio di una Rete Neurale Spiking di tipo asincrono, tale da permettere la simulazione di reti dell'ordine di 105 neuroni in tempi molto brevi, attualmente in ambiente MATLAB, ma aperta alla implementazione hardware. È anche possibile applicare algoritmi di plasticità per emulare interessanti fenomeni globali, come la "Neuronal Group Selection" (Fig. 2) o la "jitter-reduction".
FIGURA 2. Formazione di gruppi neuronali in seguito a stimolazione tramite sequenze di spike pseudo-random.
Tali sistemi di processamento parallelo possono essere usati per problematiche trattate con reti neurali classiche (ad esempio, pattern recognition), e non solo. Altre applicazioni riguardano lo studio di circuiti neurali biologici e la esplorazione di dinamiche caotiche nei sistemi nervosi.
Infine, questo modello permette anche di sintetizzare gruppi neurali capaci di far emergere rilevanti dinamiche globali.
AWARDS
Premio come Miglior Poster, ricevuto alla 29° riunione dei Ricercatori di Elettrotecnica (Università di Padova, IT), per il poster "Continuous-time Spiking Neural Networks: general paradigm and event-driven simulation". (M. Salerno, G. Susi, A. Cristini, M. Re, G.C. Cardarilli - Giugno 2013).
Best Paper Category, presso la conferenza internazionale "ACEEE, ACE 2012" (Amsterdam, NL) per l'articolo "Spiking neural networks as analog dynamical systems: basic paradigm and simple applications" (M. Salerno, G. Susi, A. D’Annessa, A. Cristini, Y. Sanfelice - Giugno 2012).
LISTA DELLE PUBBLICAZIONI
JOURNALS
Path multimodality in a Feedforward SNN module, using LIF with Latency model
Spiking Neural Networks As Continuous-Time Dynamical Systems: Fundamentals, Elementary Structures And Simple Applications
Mario Salerno, Gianluca Susi, Alessandro Cristini, Yari Sanfelice, Andrea D’Annessa
2013 ACEEE Int. J. on Information Technology, Vol. 3, No. 1, March 2013, pp. 80-89. ISSN:2158-0138, DOI:01.IJIT.3.1.1129
CONFERENCE PAPERS
Spiking Neural Networks based on LIF with Latency: Simulation and Synchronization Effects
Gian Carlo Cardarilli, Alessandro Cristini, Luca Di Nunzio, Marco Re, Mario Salerno, Gianluca Susi
2013 IEEE Asilomar Conference on Signals, Systems, and Computers, 3-6 Nov. 2013, Pacific Grove, CA, USA, pp. 1838-1842. ISBN:978-1-4799-2388-5, DOI:10.1109/ACSSC.2013.6810620. IEEE CONFERENCE PUBLICATIONS.
Spiking neural networks as analog dynamical systems: basic paradigm and simple applications
Mario Salerno, Gianluca Susi, Andrea D’Annessa, Alessandro Cristini, Yari Sanfelice
2012 Proc. of the 3rd Int. Conf. on advances in Computer Engineering, 2012, pp. 17-23. Publisher: ACEEE. ISBN:978-90-819067-8-4, DOI:02.ACE.2012.03.10
Accurate latency characterization for very large asynchronous spiking neural networks
Mario Salerno, Gianluca Susi, Alessandro Cristini
2011 Proc. of the 4th Int. Conf. on Bioinformatics Models, Methods and Algorithms, 2011, pp. 116-124. Publisher: SciTePress. ISBN:978-989-8425-36-2. DOI:10.5220/0003134601160124
BOOK CHAPTERS
A Continuous-Time Spiking Neural Network Paradigm
Alessandro Cristini, Mario Salerno, Gianluca Susi
2015 Advances in Neural Networks: Computational and Theoretical Issues, Smart Innovation, Systems and Technologies, Vol. 37, pp. 49-60, 2015. ISBN:978-3-319-18163-9, ISSN:2190-3018, DOI:10.1007/978-3-319-18164-6_6
POSTERS
Spiking neural network-based character recognition exploiting different coding schemes
Event-driven simulation of continuous-time neural networks
Mario Salerno, Gianluca Susi, Alessandro Cristini, Marco Re, Gian Carlo Cardarilli
2014 30th Riunione Annuale dei Ricercatori di Elettrotecnica (ET2014), Sorrento, IT. DOI:10.13140/2.1.4182.3045
Continuous-time Spiking Neural Networks: general paradigm and event-driven simulation
Mario Salerno, Gianluca Susi, Alessandro Cristini, Marco Re, Gian Carlo Cardarilli
2013 29th Riunione Annuale dei Ricercatori di Elettrotecnica (ET2013), Padova, IT. DOI:10.13140/2.1.2144.5443
TECHNICAL REPORTS
A simple approach for different-scale CTNN simulations
Mario Salerno, Gianluca Susi, Alessandro Cristini, Gian Carlo Cardarilli, Marco Re
Continuous-Time Neural Networks: paradigm and applications