[NEST simulator] NEST example分类及概述

NEST simulator官方提供了35个example network，数量不多，所以珍贵

本文对这些example做以分类以便后续学习进行。

分类依据2条主线:
1.example内容: 包括example本身预期提供的内容，以及我对其的关注点。
2.example优先级: 这是后续对example展开学习时要遵循的次序。

example内容

　　device usage(DU): nest device的使用方法，属simulator基础。
　　neuron behavior(NB):neuron理论和行为，属computational neuroscience内容
　　synapse behavior(SB): synapse理论和行为，属computational neuroscience内容
　　modeling methods(MM): 侧重理解建模方法，属simulator应用。
　　extension(EX): 扩展性知识，可扩大知识面，用到工程中的机率不大

example优先级　　

　　class 0: 基础方法和知识,直接影响建模
　　class 1: 专项知识，会影响模型复杂度
　　class 2: 高级方法, 提高效率
　　class 3: 扩展性方法和知识，不会直接建模有影响
　　class 0,1会影响到模型，class2, 不会影响模型，只是影响效率

以下是全部example list table:

index	example	description	class	priority of class
1	balanced neuron example	内容:excitatory & inhibitory neurons populations发出poisson spike train给同1个neuron， 找到该neuron的某个firing rate使之与excitatory的firing rate相同 关注点:不同neurons population之间firing rate的匹配方法	MM	0
2	campbell & siegert approximation example	内容:多个poisson generators分别使用不同rate和weight驱动if neuron使其firing， 并将其firing rate与iaf_psc_alpha model比较。 关注点:建模方法，非比较结果	MM	0
3	compare tsodyks-markram synapse models	-	-	-
4	Comparing precise and grid-based neuron models	内容:比较precise和grid-based neuron models的差异 关注点:对precise不关注，所以该example意义不大	EX	3
5	correlospinmatrix_detector example	内容:binary neuron model和差异比较. ginzburg_neuron和mcculloch_pitts_neuron是binary neuron, correlospinmatrix_detector比较binary之间差异 关注点: binary model有极大可能无须关注， 但如果后期发现其有效性， 那将对neuromorphic system design产生极大影响。 这是一个不鸣则己，一鸣惊人的潜在爆发点	EX	3
6	Example for the quantal_stp_synapse	内容:描述STP(包括short term depression/shor term facilitation)的synapse model. 从release site层面描述weight的变化， 机理可能做为neuromorphic hardware的基础， 但很可能无法直接由硬件实现。 关注点:model本身和STP规则	SB	1
7	Example of the Adaptive Exponential Integrate and Fire (AdEx) in NEST.	内容:从速度和精确度比较aeif_cond_alpha的两种不同计算实现 关注点:对该example不关注比较过程和结果。aeif_cond_alpha本身后期需要理解， 该模型用alpha-function对synaptic conductance建模， 如果alpha-function真的能对NG/FNG产生影响， 那么可以考虑将其加入硬件模型 。 对aeif_cond_alpha的介绍见https://jn.physiology.org/content/94/5/3637	NB	1
8	Example of the tsodyks2_synapse in NEST	内容:tsodyks2_synapse的简单network 关注点:network本身没什么特别的， tsodyks2_synapse model需要学习， 与STP有关	SB	1
9	IAF Neuron example	内容:IAF neuron test 关注点: 基础example,需掌握	NB	0
10	IF curve example	内容:向neurons中依次输入递增的current, 观察current-spiking frequence的关系。 关注点: 基础,需掌握	NB	0
11	Initial membrane voltage	内容:在无外界input时iaf_cond_exp_sfa_rr model的membrain potential趋于-70mV 关注点: 现象的原因,实质上是对neural dynamics的理解。 (可能是reseting potential，但由于有多个membrane potential为-70mV，所以不能确定)	NB	1
12	Intrinsic currents spiking	内容:细化到receptor种类层面上了，暂不看，暂不考虑这个层面 关注点: 无	EX	3
13	Intrinsic currents subthreshold	内容:Intrinsic current相关的暂不看 关注点: 无	EX	3
14	Multi-compartment neuron example	内容:multi-compartment neuron test. 关注点: multi-compartment model将neuron dendrite分为三种:distal, proximal, soma， 每种synapse都可以接收current和spike，不同位置的dendrite对membrane potential的影响不同， 这种模型暂时忽略， 如果model的形态的后期出现可能有用的迹象，再关注multi-comparment model.	EX	3
15	Multimeter to file example	内容:multimeter的使用 关注点: 基础，要掌握	DU	0
16	One neuron example	内容:基础 关注点: 基础，要掌握	MM	0
17	one_neuron_with_noise	内容:基础 关注点: 基础，要掌握	MM	0
18	Plot weight matrices example	内容:将2个neuron group之间所有类型的全部connection strength提取出来保存到matrix中， 并进行analysis和visualization 关注点:  基础，要掌握	MM	0
19	Pulse packet example	内容:在收到pulse package(高斯分布的瞬态spike volley)后membrain potential的状态变化 关注点: 侧重于spiking的产生	MM	0
20	Random balanced network (alpha synapses) connected with NEST	内容:用NEST自带的connection roution实现random connection创建network 关注点: 基础，要掌握	MM	0
21	Random balanced network (alpha synapses) connected with NumPy	内容:用numpy实现random connection创建network 关注点: 基础，要掌握	MM	0
22	Random balanced network (delta synapses)	内容:以brunel N的一篇paper为基础创建network 关注点: 基本network的建立方法	MM	0
23	Random balanced network (exp synapses, multiple time constants)	内容:以brunel N的paper为基础，synapse产生exponential PSP， 在receptor type定义对应PSP的time constant，receptor types均匀分布。 关注点: 所有与receptor type的暂不考虑， 因为现在首先要做的是从network层面理解neuron group， 将这一flow走通，然后再细致理解neuron model。 但我也觉得，receptor type或者可以引入到硬件模型中增加可变性。	NB	1
24	Repeated Stimulation	内容:在指定的时间区间内产生stimulus，利用‘origin’反复产生stimulus 关注点: 基础，要掌握	MM	0
25	Sinusoidal poisson generator example	内容:介绍sinusoidal_poisson_generator的使用 关注点: 基本device的使用，要掌握	DU	0
26	sinusoidal_gamma_generator	内容:介绍sinusoidal_gamma_generator的使用 关注点: 基本device的使用，要掌握	DU	0
27	spike synchronization through subthreshold oscillation	内容:复现“Simple Networks for Spike-Timing-Based Computation, with Application to Olfactory Processing.pdf”中的现象， 即在subthreshold oscillation条件下产生spike synchronization行为 关注点: FNG，关注产生FNG的modeling methodology,以便开发新的FNG	NB	1
28	structural plasticity example	内容:这个例子有意思.2组population，一开始无连接， 使用Buts, M., & Von Ooyen A.(2013)中的structural plasticity model， 可以在仿真过程中create和delete synapses dynamically，直至达到期望的electrical activity 关注点: 这种synapse创建的方法不同之前我所理解的weight的简单调整，而是synapse创建和消失的过程， 仔细理解并使用该过程，可能会使synpase所占memory容量大大减少。	NB	1
29	test of the adapting exponential integrate and fire model in nest	内容:对adaptive integrate and fire model（AdEx)的test 关注点: 学习test过程的思路， 此外该model需要学习(Brette and Gerstner (2005) J. Neurophysiology and reproduces figure 2.C)	NB	1
30	test of the adapting exponential integrate and fire model in nest	内容:同上，针对(Brette and Gerstner (2005) J. Neurophysiology and reproduces figure 3.D) 关注点: 同上	NB	1
31	tsodyks depressing example	内容:Depressing Tsodyks synapse例子，验证其行为，见”Neural Networks with Dynamic Synapses.pdf” 关注点: 该paper很重要，应该仔细看看。	SB	1
32	tsodyks facilitating example	内容:同上，改变参数形成facilitating tsodyks synapse 关注点: 同上	SB	1
33	twoneurons	内容:2个neuron的连接 关注点: 基础，需掌握	MM	0
34	Using CSA for connection setup	内容:介绍了独立于simulator的一种高效地创建network connection的方法：使用Connection Set Algebra(CSA)， 见”Efficient generation of connectivity in neuronal networks.pdf” 关注点: 掌握该方法，属tools的高级使用方法	MM	2
35	Using CSA with Topology layers	内容:同上，用CSA创建topology layer之间connection 关注点: 同上	MM	2
注: [1].以上关注点从neuromorphic角度出发，而非computational neuroscience角度出发。直接表现就是会将某些synapse/neuron model的模型细节忽略掉 [2]. example 3略去，因为example未做描述，且根据code明显没不重要 [3] NG/FNG： neurogroup/functional neurogroup

下面是example优先级list，根据上面table列出，包含对各class内部的ordering，即学习次序:

　　class 0:
　　　　#neuron connection
　　　　IAF Neuron example
　　　　One neuron example
　　　　one_neuron_with_noise
　　　　twoneurons
　　　　IF curve example

　　　　#network
　　　　Balanced neuron example
　　　　Random balanced network (alpha synapses) connected with NEST
　　　　Random balanced network (alpha synapses) connected with NumPy
　　　　Random balanced network (delta synapses)

　　　　#device
　　　　Sinusoidal poisson generator example
　　　　sinusoidal_gamma_generator
　　　　Pulse packet example
　　　　Multimeter to file example

　　　　#modeling methods
　　　　Repeated Stimulation
　　　　Plot weight matrices example　　
　　　　Campbell & Siegert approximation example

　　class 1:
　　　　#synapse
　　　　Example for the quantal_stp_synapse
　　　　Example of the tsodyks2_synapse in NEST
　　　　tsodyks depressing example
　　　　tsodyks facilitating example
　　　　structural plasticity example

　　　　#NG
　　　　spike synchronization through subthreshold oscillation: NG
　　　　test of the adapting exponential integrate and fire model in nest: new model
　　　　test of the adapting exponential integrate and fire model in nest : new model
　　　　Example of the Adaptive Exponential Integrate and Fire (AdEx) in NEST.: algorithm implementation
　　　　Initial membrane voltage: no use
　　　　Random balanced network (exp synapses, multiple time constants): receptor type

　　class 2:
　　　　Using CSA for connection setup
　　　　Using CSA with Topology layers

　　class 3:
　　　　Comparing precise and grid-based neuron models
　　　　correlospinmatrix_detector example
　　　　Intrinsic currents spiking
　　　　Intrinsic currents subthreshold
　　　　Multi-compartment neuron example

转载于:https://www.cnblogs.com/neuromorphic/p/5692768.html