生物神经元高效算法加速大脑仿真，智源联合成果登上Nature Communications
近日，智源研究院院长、北京大学计算机学院黄铁军教授，与北京大学人工智能研究院杜凯助理研究员的研究团队的相关成果在国际著名科学期刊《自然通讯》（Nature Communications）上发表，在这一方向上迈出一大步。
团队成功开发了一种生物神经网络精细仿真算法，实现了仿真效率数量级提升，还证明了其理论最优性（论文链接见文末）。
通常而言，神经元建模主要存在两种主要路径。
一种是点神经元模型，这个模型源于1943年麦卡洛克和皮茨提出的M-P模型，它将神经元视为一个“多入单出”的加权求和计算过程，这一模型尽管相对简化，但仍然在人工神经网络领域得到广泛应用。
另一种是精细神经元模型，它基于霍奇金和赫胥黎1952年提出的HH模型（1963年诺贝尔奖）和拉尔（Rall）1959年提出的电缆理论，能够高精度表达神经元内部复杂的树突结构和电生理过程。
精细神经元模型和由此构建的神经网络更接近生物真实，因此有望实现更强大的智能，但是计算代价巨大。目前人类还不具备高精度仿真人脑的算力资源，唯一途径是发现更高计算效率的算法。
为解决这一挑战，团队提出了树突分层调度方法（Dendritic Hierarchical Scheduling，简称DHS），在仿真效率上取得了数量级的提升，而且给出了理论最优的证明。
根据论文，与经典海因斯方法相比，DHS可以在保证数值准确性情况下将计算代价降至7%至10%。
团队还构建并开源了一种基于GPU的精细神经网络仿真学习加速框架，名为DeepDendrite。这个框架利用GPU的强大计算性能，将仿真速度比采用CPU的NEURON仿真平台提高了2-3个数量级，相比使用GPU的NEURON平台，提高了1个数量级，使我国在高精度生物神经网络仿真方面达到了国际显著领先地位。
DeepDendrite框架不仅支持高效的精细神经元仿真研究，还能够直接运行NEURON平台的神经网络模型，支持面向大数据人工智能训练的高效批处理学习，构建而得多层精细神经网络HPC-Net，用于图像分类任务，训练时间比现有仿真平台提速约25倍。
其训练得到的精细神经网络不仅在分类准确性方面与人工神经网络一致，还表现出了生物神经系统的典型特征，例如对抗噪声的鲁棒性方面明显优于现有人工神经网络。
类脑仿脑是新一代人工智能的重要方向，这一突破性成果为相关研究提供了高效计算工具。
成果也为脑科学家更好地探索大脑原理提供了重要工具。事实上，北京智源人工智能研究院自成立起，就开始探索通过高精度的模拟仿真手段去探索智能起源，并以此为目标构建了高精度生命模拟平台"天演"。
本次论文确定了理论最优的精细神经元仿真算法后，高精度生命模拟的重点将转向构建更强的算力平台，甚至发明新的高效器件，以最终逼近乃止超越人类大脑这个智能“圣杯”。
https://www.nature.com/articles/s41467-023-41553-7