Дипломная (вкр): Компьютерное моделирование биологического нейрона

Компьютерное моделирование биологического нейрона

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования

«КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

(ФГБОУ ВПО «КубГУ»)

Физико-технический факультет

Кафедра радиофизики и нанотехнологий

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

БАКАЛАВРА

Компьютерное моделирование биологического нейрона

Работу выполнил

Тимеркеев Александр Александрович

Научный руководитель

д-р физ.-мат. наук, профессор

Г. Ф. Копытов

Краснодар 2014

РЕФЕРАТ

Выпускная квалификационная работа бакалавра: 17 рис., 19 источников.

НЕЙРОН, НЕЙРОННЫЕ СЕТИ, ИНТЕЛЛЕКТУАЛЬНЫЕ УСТРОЙСТВА, СИНАПС, НЕЙРОД, ДЕНДРИД, БИОЛОГИЧЕСКИЙ НЕЙРОН

Объектом разработки данной выпускной квалификационной работы бакалавра является программа, предназначенная для моделирования работы биологического нейрона.

Целью работы является разработка компьютерной модели биологического нейрона.

Основные результаты выпускной квалификационной работы бакалавра заключаются в следующем: определены основные механизмы работы синапса биологического нейрона, в которую входят: воссоздание пороговых принципов ограничения потенциала нейрона, а также торможения и возбуждения с их временными зависимостями; предложена система уравнений, описывающих работу модели нейрона; разработан алгоритм работы модели биологического нейрона; разработана компьютерная модель биологического нейрона, которая описывает основные процессы его работы; проведены испытания работы компьютерной модели нейрона с различной структурой мембраны и расположением синапсов на ней.

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

ВВЕДЕНИЕ

Разнообразие, большой объем и противоречивость различной диагностической информации выводят на передний план проблему поиска физических систем, способных к ее переработке. Решение этой комплексной задачи тесно связано с новыми информационными технологиями, важное место среди которых занимают методы распознавания и идентификации образов. Нейронные сети - мощный и на сегодня, пожалуй, наилучший метод для решения задач распознавания образов в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена. Высокая степень параллельности, допускаемая при реализации нейросистем, обеспечивает обработку недоступных оператору объемов информации за времена, меньшие или сравнимые с допустимыми временами измерений.

Биологический фундамент при формализации достаточно сложных систем управления является крайне важным, природное многообразие дает исключительно богатый исходный материал для направленного создания искусственных моделей на нескольких уровнях: молекулярном, клеточном, на уровне отдельного органа, организма в целом, и далее на уровне социальной группы. На настоящий момент отправной точкой создания нейросистем является клеточный уровень. По современным представлениям, именно на нем совокупность элементарных молекулярных химико-биологических процессов, протекающих в отдельной клетке, формирует ее как элементарных процессор, способный к простейшей переработке информации. Нейрон выполняет прием, элементарное преобразование и дальнейшую передачу информации другим нейронам. Изучение механизмов функционирования отдельных нейронов и их взаимодействия принципиально важно для познания протекающих в нервной системе процессов поиска, передачи и обработки информации.

Важнейшее свойство нейронных сетей, свидетельствующее об их огромном потенциале и широких прикладных возможностях, состоит в параллельной обработке информации одновременно всеми нейронами. Благодаря этой способности при большом количестве межнейронных связей достигается значительное ускорение процесса обработки информации. Во многих ситуациях становится возможной обработка сигналов в реальном масштабе времени.

Очень большое количество межнейронных соединений приводит к тому, что сеть становится нечувствительной к ошибкам, возникающим в отдельных контактах. Функции поврежденных соединений принимают на себя другие элементы, в результате в деятельности сети не наблюдаются заметные нарушения. Это свойство используется, в частности, при поиске оптимальной архитектуры нейронной сети путем разрыва отдельных связей. Алгоритм такого поиска, названный "Optimal Brain Damage", является прекрасной иллюстрацией этого свойства нейронной сети [1].

Другое не менее важное свойство нейронной сети состоит в способности к обучению и к обобщению полученных знаний. Сеть обладает чертами так называемого искусственного интеллекта. Обученная на ограниченном множестве обучающих выборок, она обобщает накопленную информацию и вырабатывает ожидаемую реакцию применительно к данным, не предъявленным в процессе обучения. Несмотря на значительное количество уже известных практических приложений искусственных нейронных сетей, возможности их дальнейшего использования для обработки сигналов не изучены окончательно, а это предполагает, что нейронные сети еще в течение многих лет будут средством развития информационной техники.

Наиболее перспективным для технической реализации представляется моделирование на уровне описания информационных преобразований импульсных потоков в нейроне, не спускаясь на уровень реализующих их физико-химических процессов, но и не абстрагируясь от понятия нейрона как объекта, осуществляющего нелинейные аналоговые преобразования потока импульсов [2].

В разработке подобной модели будут использованы методы системного анализа при обобщении экспериментальных данных [3, 4] и классификации биологических нейронов [5]. Так как задача поиска оптимального решения в ряде случаев является невычислимой по причине эмпирического характера данных или методов работы с ними, экспоненциальной сложности решения задачи путем перебора и т.д., то необходимость воспользоваться бионическими методами построения технических систем становится более очевидной.

Вероятно большинство уже слышали о проектах Blue Brain и Human Brain. Оба проекта тесно связаны и пересекаются друг с другом, даже руководитель у них общий, Генри Маркрам, что может создать некоторую путаницу в том, чем же они отличаются друг от друга. Если кратко, то конечной целью обоих проектов является разработка модели работы целого мозга (всех 86 миллиардов нейронов) и его последующее моделирование на суперкомпьютере. Blue Brain Project это вычислительная часть, а Human Brain это больше фундаментальная часть, где работают над сбором научных данных о принципах работы мозга и созданием единой модели. На самом деле уже был целый ряд интересных и информативных работ по нейробиологии, что очень радует. Но в них не рассматривались вопросы вычислительной нейробиологии, или по-другому вычислительной нейронауки, включающей в себя компьютерное моделирование электрической активности нейронов. Поэтому я решил восполнить этот пробел.

Цель работы: разработка компьютерной модели биологического нейрона.

Для достижения данной цели необходимо решить следующие задачи:

определить основные механизмы работы синапса биологического нейрона, в которую входят: воссоздание пороговых принципов ограничения потенциала нейрона, а также торможения и возбуждения с их временными зависимостями;

предложить систему уравнений, описывающих работу модели нейрона;

разработать компьютерную модель биологического нейрона, которая описывает основные процессы его работы;

провести испытания работы компьютерной модели нейрона с различной структурой мембраны и расположением синапсов на ней.

синапс нейрон моделирование

1. ОСНОВНЫЕ ОСОБЕННОСТИ НЕЙРОНА

.1 Строение нейрона

В соответствии с принципами функционирования биологических нейронов созданы различные математические модели, которыми в большей или меньшей степени реализуются свойства природной нервной клетки.

На рисунке 1.1 приведена схема строения "типичного" нейрона. Предлагается выделить два типа отростков: многочисленные тонкие, густо ветвящиеся дендриты (названы за их сходство с кроной раскидистого дерева) и более толстый, расщепляющийся на конце аксон.

Входные сигналы поступают через синапсы в тело клетки размером от 3 до 100 микрон, вызывая ее специфическое возбуждение, тогда как выходной сигнал отводится аксоном через его многочисленные нервные окончания, называемые колатералами. Колатералы контактируют с сомой и дендритами других нейронов, образуя очередные синапсы. Очевидно, что синапсы, подключающие к клетке выходы других нейронов, могут находиться как на дендритах, так и непосредственно на теле клетки.

Передача сигналов внутри нервной системы - это очень сложный электрохимический процесс. С большим упрощением можно считать, что передача нервного импульса между двумя клетками основана на выделении особых химических субстанций, называемых нейромедиаторами, которые формируются под влиянием поступающих от синапсов раздражителей. Эти субстанции воздействуют на клеточную мембрану, вызывая изменение ее энергетического потенциала, причем величина этого изменения пропорциональна количеству нейромедиатора, попадающего на мембрану [1].

Рисунок 1.1 - Схематическое изображение строения нейрона

Сигнал принимаемый с дендритов суммируется в теле и если он превышает определённые порог, то генерируется нервный импульс или по-другому, спайк. Тело клетки окружено липидной оболочкой, являющейся хорошим изолятором. Ионные составы цитоплазмы нейрона и межклеточной жидкости различаются. В цитоплазме концентрация ионов калия выше, а концентрация натрия и хлора ниже, в межклеточной же жидкости все наоборот. Это связано с работой ионных насосов, которые постоянно перекачивают определенные типы ионов против градиента концентрации, потребляя при этом энергию, запасенную в молекулах АденозиноТриФосфата (АТФ). Самым известным и изученным из таких насосов является натрий-калиевый насос: он выводит 3 иона натрия в наружу, а внутрь нейрона забирает 2 иона калия. На рисунке 1.2 изображен ионный состав нейрона и отмечены ионные насосы. Благодаря работе этих насосов в нейроне образуется равновесная разность потенциалов между внутренней стороной мембраны, заряженной отрицательно, и внешней, заряженной положительно [6].

Рисунок 1.2 - Ионный состав нейрона и окружающей среды

Кроме насосов на поверхности нейрона есть ещё ионные каналы, которые при изменении потенциала или при химическом воздействии могут открываться или закрываться, тем самым увеличивая или уменьшая токи определённого типа ионов. Если мембранный потенциал превышает некоторый порог, открываются натриевые каналы, а так как снаружи больше натрия, то возникает электрический ток направленный внутрь нейрона, что ещё больше увеличивает мембранный потенциал и ещё сильнее открывает натриевые каналы, происходит резкое увеличение мембранного потенциала, физики назовут это положительной обратной связью. Но начиная с какого-то значения потенциала, более высокого чем пороговый потенциал открытия натриевых каналов, открываются и калиевые каналы, благодаря чему ионы калия начинают течь в наружу уменьшая мембранный потенциал, тем самым возвращая его к равновесному значению. Если же первоначальное возбуждение меньше порога открытия натриевых каналов, то нейрон вернётся к своему равновесному состоянию. Что интересно, амплитуда генерируемого импульса слабо зависит от амплитуды возбуждающего тока, либо импульс есть либо его нет, закон «все или ничего». Наглядно это изображено на рисунке 1.3. Внизу изображен входной ток направленный к внутренней стороне мембраны нейрона, а вверху разность потенциалов между внутренней и внешней стороной мембраны. Поэтому согласно доминирующей ныне концепции в живых нейронных сетях информация кодируется во временах возникновения импульсов, или как сказали бы физики, путем фазовой модуляции [8].

Возбудить нейрон можно например воткнув в него микроэлектрод и подав ток внутрь нейрона, но в живом мозге возбуждение обычно происходит путем синаптического воздействия. Как уже было сказано, нейроны соединяются друг с другом с помощью синапсов, образующихся в местах контакта аксона одного нейрона с дендритами другого. Нейрон от которого идет сигнал называется пресинаптическим, а тот к которому идет сигнал постсинаптическим. При возникновении импульса на пресинаптическом нейроне, он выделят в синаптическую щель нейротрансмиттеры, которые открывают натриевые каналы на постсинаптическом нейроне, а дальше происходит цепь событий, уже описанных выше, приводящих к возбуждению. Кроме возбуждения нейроны могут и тормозить друг друга. В случае если пресинаптический нейрон тормозный, то он выделят в синаптическую щель тормозный нейротрансмиттер открывающий хлорные каналы, а так как снаружи хлора больше, то хлор течет внутрь нейрона из-за чего отрицательный заряд на внутренней стороне мембраны увеличивается (не забываем, что ионы хлора в отличии от натрия и калия заряжены отрицательно), вгоняя нейрон в ещё более неактивное состояние. В таком состоянии нейрон труднее возбудить.

Известны два направления построения систем искусственного интеллекта. Сторонники одного направления руководствуются положением, что «важнее всего результат», т.е. хорошее совпадение поведения искусственно созданных и естественных интеллектуальных систем, а что касается внутренних механизмов формирования поведения, то разработчик искусственного интеллекта вовсе не должен копировать или даже учитывать особенности естественных, живых аналогов, т.е. берет за основу результат интеллектуальной деятельности человека. Его характеризуют термином «машинный интеллект».

Второе направление стремиться к точному воспроизведению конкретных особенностей функционирования биологических объектов (человека), т.е. к воспроизведению более широкого, чем в «машинном интеллекте», спектра проявлений разумной деятельности человека. Это направление характеризуется термином «искусственный разум».

Оба приведенных направления в развитии нейросистем связаны с моделированием, которое реализуется с использованием нейропакетов, нейроплат и нейрокомпьютеров [7].

Для исследования построенной модели сети (с заданными характеристиками элементов, архитектурой и обучающими правилами) применяют три основных метода: аналитическое исследование, а также математическое (имитационное) и физическое моделирование. Сложность аналитического исследования рассматриваемых нами моделей с коллективным поведением обусловлена наличием большого числа взаимодействующих нелинейных нейроподобных элементов.

Физическое моделирование позволяет быстро получать достоверные результаты работы модели, однако связано с технической сложностью аппаратной реализации большого количества нейроподобных элементов со многими адаптивными связями.

Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединений которых зависит от типа сети. В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами: простой обрабатывающий элемент - нейрон, очень большое число нейронов участвует в обработке информации, один нейрон связан с большим числом других нейронов (глобальные связи), изменяющиеся по весу связи между нейронами, массированная параллельность обработки информации.