其他行业 · AI应用
GPU上“几乎无限大小”的大脑模拟
萨塞克斯大学的研究人员面临模拟大规模脉冲神经网络的挑战，这通常需要超级计算机，因为其内存需求巨大。为此，他们开发了一种GPU加速方法，通过程序化生成连接性和突触权重，消除了存储整个大脑模型（可达TB级）的需求。结果，他们在单个NVIDIA TITAN RTX GPU上成功模拟了猕猴的视觉皮层，包含413万个神经元和242亿个突触。这一创新不仅使模拟速度比之前的超级计算机模型提高了35%，而且使大规模大脑模拟更加普及，研究人员可以使用标准游戏PC进行先进的神经科学和AI研究。
开发了一种GPU加速的脉冲神经网络模拟方法，能够在本地工作站上实现几乎无限大小的模型。
未披露
在单个GPU上成功模拟了猕猴的视觉皮层，包含413万个神经元和242亿个突触。
未披露
模拟速度比之前相同模型的超级计算机模拟快35%。
未披露
01
业务背景
萨塞克斯大学的研究人员面临模拟大规模脉冲神经网络的挑战，这通常需要超级计算机，因为其内存需求巨大。为此，他们开发了一种GPU加速方法，通过程序化生成连接性和突触权重，消除了存储整个大脑模型（可达TB级）的需求。结果，他们在单个NVIDIA TITAN RTX GPU上成功模拟了猕猴的视觉皮层，包含413万个神经元和242亿个突触。这一创新不仅使模拟速度比之前的超级计算机模型提高了35%，而且使大规模大脑模拟更加普及，研究人员可以使用标准游戏PC进行先进的神经科学和AI研究。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了一种GPU加速的脉冲神经网络模拟方法，能够在本地工作站上实现几乎无限大小的模型。：
在单个GPU上成功模拟了猕猴的视觉皮层，包含413万个神经元和242亿个突触。：
模拟速度比之前相同模型的超级计算机模拟快35%。：
提高了大规模大脑模拟的可及性，允许研究人员使用标准游戏PC进行神经科学和AI研究。：
使用了GPU增强神经元网络（GeNN）、CUDA、Python（PyGeNN）和NVIDIA TITAN RTX GPU等技术。：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。