Вычислительная нейронаука произвела разнообразие программного обеспечения для моделирования импульсных нейросетей, как с отрицательными, так и с положительными последствиями.
С одной стороны, каждый симулятор использует свой собственный язык программирования или настройки, что приводит к значительным трудностям при переносе моделей с одного симулятора на другой. Это затрудняет общение между исследователями и затрудняет воспроизведение и построение на работе других.
С другой стороны, результаты моделирования могут быть перепроверены между различными тренажерами, что дает большую уверенность в их правильности, и каждый тренажер имеет различные оптимизации, так что наиболее подходящий тренажер может быть выбран для конкретной задачи моделирования. Общий программный интерфейс к нескольким тренажерам уменьшит или устранит проблемы разнообразия тренажера, сохраняя при этом преимущества.
Введение
PyNN является таким интерфейсом, что позволяет написать сценарий моделирования один раз, используя язык программирования Python, и запустить его без изменений на любом поддерживаемом симуляторе.
PyNN повышает производительность моделирования нейронных сетей, обеспечивая высокий уровень абстракции, способствуя обмену и повторному использованию кода, а также закладывая основу для симуляторов-диагностического анализа, визуализации и инструментов управления данными.
PyNN повышает надежность моделирования, значительно облегчая проверку результатов на нескольких симуляторах. PyNN является программным обеспечением с открытым исходным кодом.
Наука опирается на три столпа — открытую коммуникацию, воспроизводимость результатов и развитие того, что было раньше.
В этих отношениях, вычислительной нейронауки должны быть в хорошем положении, так как компьютеры по дизайну преуспеть в повторении одной и той же задачи без изменений, столько раз, сколько хотелось бы: воспроизводимость результатов вычислений должна быть тривиальной задачей. Аналогичным образом, Интернет позволяет практически мгновенно передавать материалы исследований, т.е. исходный код, между лабораториями.
Однако на практике эта теоретическая легкость воспроизводимости и коммуникации редко достигается за пределами одной лаборатории и в течение нескольких месяцев или лет. В то время как данный ученый может легко воспроизвести результат, полученный несколько месяцев назад, точное воспроизведение результата, полученного несколько лет назад, скорее всего, будет более трудным, а общий опыт показывает, что воспроизведение результатов других является одновременно трудным и трудоемким: очень многим опубликованным работам не хватает деталей, чтобы воссоздать модель с нуля, а типографские ошибки являются обычным делом.
Наличие исходного кода модели значительно улучшает ситуацию, но здесь все еще существуют многочисленные барьеры для воспроизводимости и использования ранее опубликованных моделей.
- Один из них заключается в том, что исходные тексты могут быстро устаревать по мере развития компьютерных архитектур, стандартов компиляторов и симуляторов.
- Другой заключается в том, что модельный исходный код часто не пишется с учетом повторного использования и расширения, и поэтому необходимо значительное переписывание для разбиения кода на модули.
Наверное, самым важным барьером является то, что код, написанный для одного симулятора, не совместим ни с каким другим симулятором.
Хотя многие вычислительные модели в неврологии написаны с нуля на языке программирования общего назначения, таком как C++ или Fortran, вероятно, большинство используют симулятор специального назначения, который позволяет моделям быть выраженными в терминах неврологии конкретных понятий, таких как нейроны, ионные каналы, синапсы; симулятор заботится о преобразовании этих понятий в систему уравнений и численного решения уравнений. Большое количество таких симуляторов доступно, в основном в виде программного обеспечения с открытым исходным кодом, и каждый из них имеет свой собственный язык программирования, синтаксис конфигурации и/или графический интерфейс, что создает значительные трудности при переводе моделей с одного симулятора на другой, или даже при понимании чужого кода, с очевидными негативными последствиями для связи между исследователями, воспроизводимости чужих моделей и построении на основе существующих моделей. Тем не менее, разнообразие симуляторов также имеет ряд положительных последствий:
- Оно позволяет проводить перекрестную проверку — вероятность того, что два разных тренажера имеют одни и те же ошибки или скрытые допущения, очень мала
- Каждый тренажер имеет разный баланс между:
- эффективностью (насколько быстро проводятся симуляции)
- гибкостью (насколько легко добавлять новые функциональные возможности; диапазон моделей, которые могут быть смоделированы)
- масштабируемостью (для параллельных, распределенных вычислений на кластерах или суперкомпьютерах)
- простотой использования
Продолжение следует...