Parallel simulation of stochastic denritic neurons using NVidia GPUs with CUDA

• Autorzy: Gugała K. , Świetlicka A. , Jurkowlaniec A. , Rybarczyk A.

Warianty tytułu

PL

Zrównoleglone symulacje stochastycznych neuronów dendrytycznych z wykorzystaniem kart graficznych oraz technologii CUDA

• Konferencja: Mixed Design of Integrated Circuits and Systems MIXDES 2011 (18 ; 16-18.06.2011 ; Gliwice, Poland)
• Języki publikacji: EN

Abstrakty

EN

The purpose of this work was to implement a fast simulator of stochastic dendritic neurons based on Hodgkin - Huxley model. In order to achieve satisfactory simulation speed we used parallel computing based on NVidia GPU. We present simulation algorithm written in CUDAC and results for simple dendritic neuron network in tree-like structure.

PL

Celem niniejszej pracy była implementacja szybkiego symulatora stochastycznych neuronów dendrytycznych opartych na modelach Hodgkina - Huxley'a. W celu osiągnięcia satysfakcjonującej prędkości działania sięgnięto po przetwarzanie równoległe oparte o układy graficzne firmy NVidia. Prezentujemy algorytm symulacyjny zaimplementowany przy użyciu technologii CUDA C, oraz wyniki symulacji prostej sieci dendrytycznej o rozgałęzionej strukturze.

Słowa kluczowe

EN

spiking neurons; neural networks; CUDA; parallel computing; Markov kinetic schemes

PL

biologiczne sieci neuronowe; sieci neuronowe; CUDA; przetwarzanie równoległe; schematy kinetyczne Markova

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2011
• Tom: Vol. 52, nr 12
• Strony: 59--61
• Opis fizyczny: Bibliogr. 9 poz., wykr., rys.

Twórcy

autor

Gugała K.

autor

Świetlicka A.

autor

Jurkowlaniec A.

autor

Rybarczyk A.

• Poznań University of Technology, Department of Computer Engineering

Bibliografia

• [1] Bower J. M., Beeman D.: The Book of GENESIS. Exploring Realistic Neural Models with the GEneral NEural Simulation System., Internet Edition, 2003.
• [2] Destexhe A., Mainen Z. F., Sejnowski T. J.: Synthesis of Models for Excitable Membranes, Synaptic Transmission and Neuromodulation Using a Common Kinetic Formalism. Journal of Computational Neuroscience, 3(1): 195-230, 1994.
• [3] Gerstner W., Kistler W.: Spiking Neuron Models. Single Neurons, Populations, Plasticity. Cambridge, 2000.
• [4] Schneidman E., Freedman B., Segev I.: Ion channel stocnasticity may be critical in determining the reliability and precision of spike timing. Neural Computation, (10); 1679-1703, 1998.
• [5] Cox S. J., Griffith B. E.: A fast, fully implicit backward Euler solver for dendritic neurons. Technical report, Rice University Department of Computational and Applied Mathematics, 2000.
• [6] NVidia corp., NVIDIA CUDAC Programing Guide version 3.2, http://www.nvidia.com/object/cuda_home_new, 11/9/2010
• [7] NVidia Corp., NVIDIA CUDA C Best Practices Guide version 3.2, http://www.nvidia.com/object/cuda_home_new, 8/20/2010.
• [8] Arnold A., J. A. van Meel: MDGPU package, http://www-old.amolf.nl/~vanmeel/mdgpu/
• [9] Plonsey R., Barr R. C.: Bioelectricity: A Quantitative Approach, 3rd. Edition, New York, NY: Springer, pp. 109, 2007.