Der Erste Auf Der Welt! Das Team Von Feng Jianfeng an Der Universität Fudan Entwickelte Eine Digitale Zwillingshirnplattform Mit 86 Milliarden Neuronen
Das menschliche Gehirn ist eines der komplexesten und geheimnisvollsten Informationsverarbeitungssysteme der Natur. Es wiegt nur etwa 1,4 Kilogramm und macht damit lediglich 2% des Körpergewichts aus, verbraucht aber auf wundersame Weise etwa 20% Sauerstoff und Blut im menschlichen Körper.In diesem hochentwickelten Netzwerk sind etwa 86 Milliarden Neuronen miteinander verflochten und bilden mehr als 100 Billionen synaptische Verbindungen, die ein komplexes System zur Informationsübertragung und -verarbeitung bilden.Dieses System verleiht dem Menschen die Fähigkeit zu denken, zu fühlen, sich zu erinnern, zu lernen, zu erschaffen und zu handeln und schafft unterschiedliche Persönlichkeiten, Charaktere und Verhaltensweisen.
Um die Geheimnisse des menschlichen Gehirns zu entschlüsseln, nutzen Länder auf der ganzen Welt Technologien der Computerneurowissenschaft für ihre Forschung im Bereich der Gehirnforschung. Insbesondere das Aufkommen des digitalen Zwillingsgehirns bietet eine neue Perspektive und Methode zur Lösung dieses Problems. Es nutzt und greift auf die Technologie des digitalen Zwillings zurück, erstellt durch Reverse-Engineering-Technologie eine digitale Kopie des biologischen Gehirns und „entschlüsselt“ die Prinzipien der Informationsverarbeitung und neuronalen Kodierung des Gehirns, wodurch große Durchbrüche von der strukturellen zur funktionellen Gehirnsimulation erzielt werden können.
Kürzlich veröffentlichte das Team von Professor Feng Jianfeng am Institute of Brain-Inspired Intelligence Science and Technology der Universität Fudan die Plattform Digital Twin Brain (DTB). Dabei handelt es sich um die weltweit erste Gehirnsimulationsplattform im Maßstab 1:1, die auf Datenassimilationsmethoden basiert und 86 Milliarden Neuronen und eine Billion Synapsen umfasst.Die Studie ergab, dass das digitale Zwillingsgehirn umso mehr kritische Phänomene und ähnliche kognitive Funktionen aufweist, je mehr Größe und Struktur es dem menschlichen Gehirn ähnelt.
Die Studie wurde in der international renommierten Fachzeitschrift National Science Review (NSR) unter dem Titel „Imitating and exploring human brain’s resting and task-performing states via resembling brain computing: scaling and architecture“ veröffentlicht.Dieser Artikel ist auch als Titelartikel in der Sonderausgabe „Human Brain Computing and Brain-like Intelligence“ von NSR enthalten.
Forschungshighlights:
* Diese Studie bietet einen quantitativen Rahmen für das digitale Zwillingsgehirn, der verwendet werden kann, um die Beziehung zwischen Gehirnstruktur und -funktion zu entdecken und verschiedene kognitive, medizinische und Verletzungsansätze digital zu simulieren und zu untersuchen.
* Die Studie etablierte ein gehirnweites neuronales Netzwerk mit bis zu 20 Milliarden Neuronen und einer datenbeschränkten Struktur, die hinsichtlich ihres Umfangs und ihrer multimodalen Strukturbeschränkungen einzigartig ist.
* In der Studie wurden Datenassimilationsmethoden verwendet, um deren Wirksamkeit bei der Schätzung „großer“ Modelle durch Anpassung von BOLD-Signalen in Ruhe- und Bewegungszuständen zu demonstrieren.
Papieradresse:
https://doi.org/10.1093/nsr/nwae080
Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s
Erfassung und Vorverarbeitung biologischer Daten: Integration multimodaler Neuroimaging-Daten in das DTB-Modell
In der Studie wurde die 3-Tesla-MRT-Technologie verwendet, um einen umfassenden multimodalen MRT-Scan an einem einzelnen Probanden durchzuführen.
Zunächst wurden im Rahmen der Studie hochauflösende T1-gewichtete Bilder (T1w) mithilfe einer schnellen Gradientenechosequenz aufgenommen. Anschließend wurden im Rahmen der Studie Daten aus der diffusionsgewichteten Mehrschalenbildgebung (DWI) und der funktionellen Magnetresonanztomographie (fMRI) mithilfe von Gradienten-Echo-Planar-Bildgebungssequenzen (EPI) gesammelt. Diese Daten wurden verwendet, um die voxelbasierte Morphologie (VBM), die strukturelle Konnektivität und die vom Blutsauerstoffspiegel abhängigen (BOLD) Signale der grauen Substanz zu analysieren.
Während der Datenvorverarbeitungsphase führte die Studie einen detaillierten Datenbereinigungsprozess durch, der darauf abzielte, diese multimodalen Neurobildgebungsdaten effizient in das dynamische topologische Basismodell (DTB) zu integrieren. Letztendlich wurde im Rahmen der Studie ein kortiko-subkortikales Modell erstellt, das aus 16.043 Voxeln besteht und eine neue Perspektive für ein tieferes Verständnis der Struktur und Funktion des Gehirns bietet.
Das DTB-Modell erfasst bis zu 20 Milliarden Neuronen und deckt 16.043 Voxel und 374 Regionen ab.
Das neuronale Netzwerkmodell im DTB-Prozess kann die Anzahl der Neuronen und die synaptische Konnektivität flexibel anpassen.Wie in Abbildung A unten gezeigt, ist die Anzahl der Voxelneuronen proportional zum Volumen der grauen Substanz des VBM, die synaptische Dichte proportional zu den PET-SV2A-Daten und die Anzahl der exzitatorischen synaptischen Verbindungen im Allgemeinen proportional zur DWI-Spurdichte. Insbesondere simuliert jeder kortikale Voxel eine geschichtete Struktur von L2/3 bis L6, und die Neuronen in jeder Schicht sind durch Synapsen verbunden. Wie in Abbildung B unten dargestellt, kann das Modell bis zu 20 Milliarden Neuronen abtasten und dabei 16.043 Voxel und 374 Regionen abdecken.
Wie in Abbildung C oben gezeigt, werden die Neuronen in diesem Modell durch das LIF-Modell dargestellt, der Hintergrundstrom wird durch den Ornstein-Uhlenbeck-Prozess (OU) gesteuert und das simulierte BOLD-Signal wird mithilfe des Balloon-Windkessel-Modells gewonnen. In einigen Regionen wurden Neuronen mit gamma-verteilten externen Strömen injiziert und anschließend experimentelle BOLD-Signale vom selben Probanden im Ruhezustand und während der Aufgabenausführung mithilfe der Vw-dHMDA-Methode erfasst, die auf der Aufzeichnung von Signalen der geschätzten Hyperparameter basiert. Schließlich kann die Leistung dieser statistischen Inferenz durch Vergleich der simulierten Ausgabe mit der zeitlichen Verlaufsähnlichkeit des BOLD-Signals und der funktionalen Konnektivität zwischen Regionen bewertet werden.
Um die Skalierung des Ruhezustands zu untersuchen, haben wir zunächst das kortiko-subkortikale Ruhezustandsmodell durch Anpassung des statischen BOLD-Signals der Thalamusregion assimiliert und die Ähnlichkeit des Modells mit den biologischen Daten gemessen.
Wie in Abbildung A unten dargestellt, beträgt der durchschnittliche Pearson-Korrelationskoeffizient (PCC) zwischen simulierten und experimentellen BOLD-Signalen über alle Voxel im Thalamus 0,977 (links) und 0,981 (rechts). Anschließend haben wir die Ähnlichkeit zwischen dem assimilierten Modell und seinem biologischen Gegenstück gemessen, indem wir den PCC zwischen dem assimilierten Modell und den statischen BOLD-Signalen realer Gehirnvoxel berechnet haben, sowie die Ähnlichkeit der regionalen funktionellen Konnektivitätsmatrix (FC), die wir durch Messen der Frobenius-Norm (F-Norm) der assimilierten und biologischen statischen BOLD-Signale berechnet haben.
Auf diese Weise enthält das in dieser Studie erstellte kortiko-subkortikale Modell 20 Milliarden Neuronen mit einer durchschnittlichen synaptischen Konnektivität von 100, was den Ruhezustands-fMRI-Daten sehr ähnlich ist. Wie in Abbildung B unten gezeigt, beträgt der durchschnittliche PCC des BOLD-Signals aller Voxel 0,624. Wie in Abbildung C unten gezeigt, beträgt der PCC der simulierten und tatsächlichen FC-Matrizen 0,551 und der F-Norm-Abstand 0,271.
Je ähnlicher das digitale Zwillingsgehirn dem realen Gehirn in Bezug auf Größe und Konnektivität ist
In dieser Studie wurde der Einfluss der Anzahl der Neuronen und der durchschnittlichen synaptischen Konnektivität auf die Ähnlichkeit zwischen dem Modell und den biologischen Daten analysiert.Die Ergebnisse sind in Abbildung D unten dargestellt. Wenn die durchschnittliche synaptische Konnektivität 100 beträgt, nimmt mit zunehmender Anzahl der Neuronen die Ähnlichkeit zwischen dem integrierten statischen BOLD-Signal und den biologischen Daten zu, die Konsistenz zwischen den FC-Matrizen nimmt zu und die F-Norm-Distanz nimmt ab.
Wie in Abbildung F unten gezeigt, nehmen die PCCs der simulierten und biologischen statischen BOLD-Signale bei einer Anzahl von 10 Milliarden Neuronen zunächst zu und stabilisieren sich dann, wenn die durchschnittliche synaptische Konnektivität zunimmt, die PCCs der FC-Matrix zunehmen und die F-Norm-Distanz abnimmt.
Wie in Abbildung E unten dargestellt, zeigt die Analyse der Einsturzkritikalität, dass bei einer Erhöhung der Anzahl der Neuronen auf 5 Milliarden das simulierte statische BOLD-Signal näher am kritischen Punkt liegt und die Dauer und Größe des Einsturzes einer Potenzverteilung folgen.
Neben den Skalen ist ein weiteres wichtiges Merkmal des Computermodells, dass es auf der DWI-basierten Neuroanatomie beruht.Um die Auswirkungen dieser Abhängigkeit zu demonstrieren, wurde im Rahmen der Studie ein Neuverdrahtungsprozess an einem neuronalen Netzwerk durchgeführt, wobei die Anzahl der Neuronen auf 1 Milliarde und die durchschnittliche synaptische Konnektivität auf 100 festgelegt wurden. Außerdem wurden Verbindungen zu lokalen Nachbarschaften mit der Wahrscheinlichkeit P zufällig ausgewählt.
Durch Variieren des P-Werts von 0 bis 1, wie in Abbildung A unten dargestellt, ändert sich die künstliche Architektur auf Voxelebene allmählich von der auf den ursprünglichen DWI-Daten basierenden Architektur zum k-Nearest-Neighbor-Algorithmus. Wie in Abbildung B gezeigt, nimmt die Korrelation des BOLD-Zeitverlaufs auf Voxelebene und die Korrelation der FC-Matrix zwischen dem Modell und den biologischen Daten mit zunehmendem P ab, während die F-Norm-Distanz der FC-Matrix zwischen dem Modell und den biologischen Daten mit zunehmendem P zunimmt. Daher zerstört diese Neuverdrahtung im Ruhezustand die Ähnlichkeit zwischen dem Modell und dem realen Gehirn.
Um die Auswirkungen des interozeptiven Kreislaufs auf den Ruhezustand weiter zu untersuchen, wie in Abbildung C unten dargestellt, wurden in dieser Studie Hippocampus, Inselrinde, ACC, vmPFC/sgACC und Thalamus als interozeptive „Eingabe“-Regionen verwendet, um ihre BOLD-Signale auf Voxelebene anzupassen. Die Ergebnisse sind in Abbildung D unten dargestellt. Mithilfe eines Zweistichproben-t-Tests stellte die Studie fest, dass die Ähnlichkeit zwischen dem assimilierten statischen BOLD-Signal und den biologischen Daten signifikant verbessert wurde, wenn der interozeptive Bereich als Eingabe verwendet wurde.
Wie in Abbildung E unten dargestellt, berechnete die Studie die fünf durchschnittlichen Aktivitäten durch Eingabe der Zeitreihe der aktuellen Assimilations-Hyperparameter, mit dem höchsten Spektralpeak bei 0,02–0,025 Hz und mehreren niedrigeren Peaks bei etwa 0,02–0,08 Hz. Wie in Abbildung F unten gezeigt, wurde in dieser Studie eine bedingte Granger-Kausalitätsanalyse der durchschnittlichen aktuellen Hyperparametersequenz durchgeführt und festgestellt, dass relativ starke kausale Beziehungen zwischen Thalamus und ACC, zwischen Thalamus und Insula, zwischen vmPFC/sgACC und ACC sowie zwischen Thalamus und Hippocampus bestehen.
Um den Einfluss neuronaler und synaptischer Skalen auf die Ähnlichkeit zwischen dem Assimilationsmodell und seinem biologischen Gegenstück zu analysieren, haben wir zunächst die BOLD-Signale von Voxeln im primären auditorischen Kortex (A1), dem sensorischen "Eingangsbereich", angepasst und dannEin Assimilationsmodell wird durch die Schätzung der Hyperparameter der Gamma-Verteilung des Eingangsstroms erstellt, den die Neuronen in diesem Bereich empfangen.
Wie in Abbildung AC unten gezeigt, enthält das Modell 20 Milliarden Neuronen mit einem durchschnittlichen Zugriffsgrad von 100. Der durchschnittliche PCC über alle Voxel zwischen den assimilierten und biologischen BOLD-Signalen betrug 0,570 und die Korrelation zwischen den vorhergesagten und den experimentell ermittelten Zahlen war signifikant.
Bei der Untersuchung neuronaler Netzwerkmodelle mit unterschiedlicher Neuronenzahl und durchschnittlicher synaptischer Konnektivität (siehe Abbildung DE unten) stellte die Studie fest, dass die Ähnlichkeit zwischen simulierten Signalen und biologischen Daten mit zunehmender Neuronenzahl und durchschnittlicher synaptischer Konnektivität zunahm. Bei der Durchführung einer Wiederverbindungsunterbrechung ähnlich der des statischen Modells stellten wir fest, dass die Korrelation zwischen den Modellvorhersagen und ihren biologischen Gegenstücken sowie dem BOLD-Zeitverlauf auf Voxelebene mit zunehmendem P zunahm.
Das kortiko-subkortikale Modell eröffnet auch neue Möglichkeiten für bestimmte Operationen zur „digitalen Beeinträchtigung“.Wie in Abbildung A unten gezeigt, wurden im Rahmen der Studie synaptische Verbindungen vom primären Sehbereich (V1) zum grundlegenden Sehpfad in den dorsalen und ventralen Sehpfaden entfernt. Die Studie zeigte, dass diese Manipulation die Ähnlichkeit des Modells mit biologischen Daten im kortiko-subkortikalen Bereich nicht beeinträchtigte, wie in Abbildung B unten dargestellt, was die Bedeutung des visuellen Pfads für die Gedächtnis- und Lernfunktionen des Hippocampus bestätigt. Wie in Abbildung C unten gezeigt, verringerte sich die Korrelation des hippocampalen BOLD-Signals mit den biologischen Daten erheblich, als die Verbindung von V1 zu den dorsalen oder ventralen Bahnen entfernt wurde. Im Gegensatz dazu hatte das Entfernen der Verbindungen von V1 zu motorischen Bereichen weniger Auswirkungen auf den Hippocampus.
Feng Jianfeng erforscht seit 40 Jahren die Gehirnforschung mit mathematischen Methoden
Als erster Dekan des Institute of Brain-Inspired Intelligence Science and Technology an der Fudan-Universität ist Feng Jianfeng auch Chefprofessor des Shanghai Center for Mathematics und Dekan der School of Big Data an der Fudan-Universität.Obwohl er auf dem Gebiet der Gehirnforschung große Erfolge erzielt hat, ist es überraschend, dass Feng Jianfeng ursprünglich an der Fakultät für Mathematik studierte, was den Grundstein für seinen späteren Forschungsweg legte.
1981 wurde Feng Jianfeng in die Fakultät für Mathematik der Peking-Universität aufgenommen. Obwohl er anfangs hohe Ideale für die mathematische Forschung hatte, fühlte sich Feng Jianfeng bald zum Bereich der angewandten Mathematik hingezogen. Ab seinem zweiten Studienjahr begann Feng Jianfeng, Kurse im Fachbereich Biologie als Gasthörer zu besuchen. Von da an bestand Feng Jianfeng stets darauf, mathematische Methoden zur Erforschung der Gehirnforschung zu verwenden. Als er seine Doktorarbeit schrieb, hatte er bereits begonnen, die Theorie stochastischer Prozesse auf die Erforschung neuronaler Netzwerke anzuwenden.
Seit seinem offiziellen Eintritt an die Fudan-Universität im Jahr 2008 bis zu seiner Einstellung als erster Dekan des Institute of Brain-Inspired Intelligence Science and Technology im Jahr 2015 hat Feng Jianfeng im letzten Jahrzehnt unermüdlich daran gearbeitet, die Geheimnisse des Gehirns zu entschlüsseln. Er nutzte die mathematische Theorie der systematischen Entwicklung des neuronalen Rechnens, um eine Klasse optimaler stochastischer Steuerungsprobleme zu lösen, und wurde zu einem bekannten Experten auf dem Gebiet der internationalen Bioinformatik.
Im Jahr 2018 baute das Team von Feng Jianfeng erstmals ein digitales Gehirn, das aus 70 Millionen aktiven Neuronen besteht. Mithilfe mathematischer Algorithmen gelang dem Team eine detaillierte computergestützte Simulation der Funktionen von Hunderten Milliarden Neuronen im menschlichen Gehirn.Durch computergestützte Simulation können wir die Arbeitsmechanismen der Wahrnehmung, des Lernens und Gedächtnisses, der emotionalen Entscheidungsfindung und der Informationsverarbeitung des Gehirns weiter analysieren und so eine experimentelle und theoretische Grundlage für originelle Durchbrüche in der künstlichen Intelligenz schaffen. Bis Ende 2021 wird das digitale Gehirn über die gleiche Anzahl an Neuronen verfügen wie ein echtes menschliches Gehirn. Überraschenderweise ist der Prototyp dieses digitalen Gehirns Feng Jianfeng selbst.
Es basiert auf diesem Geist der mutigen Erkundung in der wissenschaftlichen Forschung und seinen herausragenden Errungenschaften in der Computerpsychiatrie und im digitalen Zwillingsgehirn.Jianfeng Feng wurde mit dem Humboldt-Forschungspreis 2023 ausgezeichnet.Der Preis wird gezielt an herausragende Wissenschaftlerinnen und Wissenschaftler verliehen, die herausragende Leistungen in der Grundlagenforschung, der theoretischen Innovation und der disziplinären Führung erbracht haben und von denen auch in Zukunft Spitzenleistungen erwartet werden. Die Zahl der Gewinner übersteigt jedes Jahr nicht 100.
Unter der Leitung von Feng Jianfeng verfügt das Institute of Brain-Inspired Intelligence Science and Technology an der Universität Fudan mittlerweile über eine Fakultät von 120 Personen, darunter mehrere Forschungsteams in den Bereichen kognitive Neurowissenschaft, computergestützte Systembiologie, Algorithmen der künstlichen Intelligenz und Whole-Brain-Computing.Er hat als Erst- oder korrespondierender Autor fast 100 Artikel in hochrangigen Zeitschriften wie Nature Medicine und Nature Human Behavior veröffentlicht. Seine Leistungen wurden für „Chinas wichtige medizinische Fortschritte im Jahr 2023“ ausgewählt. Er hat zahlreiche nationale und internationale Auszeichnungen gewonnen, darunter den Silver Award der Internationalen Erfinderausstellung in Genf und den SAIL Award der World Artificial Intelligence Conference. Er übernahm die Führung bei der Gründung der „Young Scholars Alliance of Brain and Intelligence Science“ und so weiter.
derzeit,Das Institut für vom Gehirn inspirierte Intelligenzwissenschaft und -technologie der Universität Fudan stützt sich auf zwei hochmoderne experimentelle Technologieplattformen, das Zhangjiang International Brain Imaging Center und die Zhangjiang International Brain Bank, um sich auf interdisziplinäre wissenschaftliche Forschung in Schlüsselbereichen wie Mathematik, Gehirnforschung und künstliche Intelligenz zu konzentrieren.Auch in Zukunft wird das Institut weltweit an der Spitze der Hirnforschung und der Forschung zu gehirnähnlichen Phänomenen stehen, sich der Förderung der Entwicklung der „ersten gehirnähnlichen Intelligenz“ verschrieben haben und kontinuierlich mit seiner Weisheit und Stärke zum Fortschritt dieses Feldes beitragen.