我們的大腦是可以模擬的嗎？-基於超級計算機的大規模腦模擬

作者丨孫哲 （日本國立理化學研究所 研究員）

編輯丨夏獺

GIF

大腦主要由神經細胞構成。神經細胞是可以依託發出的電脈衝信號而進行信息處理的特殊細胞。人的大腦中大約用於860億細胞，其中160億存在於大腦，而小腦擁有690億神經元。神經元通過突觸進行連接，構成複雜的神經網路，整個人腦的連接有約10^12左右。

我們的大腦擁有非常的複雜並且機器優異的技能。雖然大腦對四則運算這樣的計算問題不如我們使用的計算機，但是在負責的識別和學習方面，是現存的計算機遠遠達不到的。腦在運轉時的能耗比也是非常驚人的，我們的京超級計算機計算機的耗電量約為1200萬瓦，人的大腦的能耗卻只有10瓦左右。

圖1 模擬大腦， 基於稀疏的已知數據來推測稠密的未知數據

近年來RIKEN和歐洲的 Human Brain Project 的科研人員都在通過超級計算機進行大規模的脈衝神經網路模擬，來尋找神經信號信息處理的相關未知問。在2013年的時候，RIKEN使用世界上首台可以每秒億億次計算的超級計算機「京」，並結合作為和於利希研究中心合作研究開發開發的NEST模擬器，進行了相當於人腦1%規模的神經網路的模擬。

隨著日本，中國，美國提出E級（百億億次計算）超級計算機的研發計劃，大腦的模擬工程也從10億級神經元模擬時代邁入千億的時代。於利希中心的JUWELS 超算系統，理研的post-k超計算機，都將有可能實現人類大腦的全部神經網路的模擬工作。

並且在演算法上也有了新的突破，之前的演算法在進行大規模神經網路模擬時，每一個節點都必須擁有整個模擬器的信息，這使得大量的計算資源得到了浪費。新的演算法中，每一個節點只需處理該節點負責的那部分神經網路的信息即可。在大規模脈衝神經網路的模擬中，可以節省大量的計算資源。

圖2 腦科學相關的超大規模數據

圖3中的縱軸為超級計算機的性能，下面標出了隨著計算能力的增長，能夠模擬的神經元的數量也飛速增長。從1952年的Hodgkin 和Huxley進行的一個神經元的模型計算，到2013年的17億神經元的脈衝神經網路的模擬。隨著計算性能的上升，對大規模神經迴路的模擬能力也有了顯著的提高。當今世界上最快的美國的頂點超級計算機已經可以達到200PFLOPS的計算性能。目前，美國，中國，日本都有了在2020年研發成功E級超級計算機的研發計劃。那麼人類的大腦是否能在E級超級計算機上實現呢？

圖3 超級計算機的性能與大規模腦網路的模擬能力

目前我們已經基於對神經細胞模擬的計算量和通信內存的帶寬對E級超級計算機進行大規模腦模擬的能力進行了評估。 我們認為在E級的超算系統中，應該可以用幾個小時的時間計算來模擬人全部大腦神經網路1秒中的活動。但是具體構建腦的模型需要大量的數據，如果沒有必須的數據，將無法完成構建大腦模型的設計圖。如果沒有設計圖，那麼僅僅是提升模擬的神經網路的模擬規模，對大腦信息處理的研究是沒有意義的。

隨著相關的各種技術和研究工作飛速發展，比如連接組的相關的研究在2000年左右開始飛速發展， 特別是在2014年後產生大量的可用於構建腦模型的數據。RNA檢測技術發展也在神經元種類的鑒別上提供了大量的數據。從現在開始的十年里，可以預想到相關的數據和文獻會飛速增長，為構建大腦模型提供堅實的基礎。

我們已經開始基於這些技術和數據，建立包括大腦，小腦，基底核等部分的腦模型。

並且基於模型對大腦的信息處理方式進行調查。 其中在接下來的工作里，我們也將基於大腦模型，調查研究人的大腦與小腦等區域的相互作用，信息交互的方法。這對腦相關各種疾病的的調查能夠起到非常大輔助作用。另一方面我們也將會嘗試與腦信號相關的研究。

從計算能力上，E級超級計算機和新的大腦模擬器框架已經可以承擔人類大腦級別的全網路模擬。那麼怎樣構造不同的腦區中的神經網路，怎麼連接不同的腦區，還有大腦的功能怎麼實現呢？更近一步，人類的全腦腦模擬研究會對時下正在火熱的人工智慧產生怎麼樣的幫助呢？請大家繼續關注我們即將發表一系列學術論文和學術報告吧。

參考文獻

[1] Largest neuronal network simulation achieved using K computer, RIKEN Press Releases.

[2]Jordan J. et al. Extremely scalable spiking neuronal network simulation code: from laptops to exascale computers. Frontiers in neuroinformatics, 2018.

[3] Kunkel S. et al. Spiking network simulation code for petascale computers. Frontiers in neuroinformatics, 2014.

[4] Simulation Neuroscience, MOOC, Human Brain Project.

[5] P eyser, Alexander et al. NEST 2.14.0. Zenodo. 10.5281/zenodo.882971.

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！