开发模拟大脑活动的大规模神经网络模型是计算神经科学领域的主要目标。现有的准确再现大脑活动各个方面的模型非常复杂，微调模型参数通常需要大量时间、直觉和专业知识。
卡内基梅隆大学和匹兹堡大学的跨学科研究小组最近发表了一项新研究，提出了一种新颖的解决方案来缓解其中一些挑战。机器学习驱动的框架，使用人口统计数据的脉冲网络优化(SNOPS)，可以快速准确地定制模型，重现活动以模仿大脑中观察到的情况。
卡内基梅隆大学神经计算和机器学习专业前研究生吴胜浩解释说：“神经科学家了解大脑如何运作的一种方法是构建大脑的数学模型来重现大脑活动。”
“到目前为止，建立这样的模型一直是一个手动过程，通常需要大量的精力和领域专业知识。我们的SNOPS方法不仅速度更快、功能更强大，而且它还能自动找到与大脑活动一致的更广泛的模型配置。”
卡内基梅隆大学生物医学工程系的MattSmith介绍了他的团队对人类大脑和行为的研究。该领域的突破可能有助于治疗大脑功能障碍并增强认知能力，从而提高注意力和表现。图片来源：卡内基梅隆大学工程学院
匹兹堡大学神经科学与数学助理教授黄成城(ChengchengHuang)的研究背景是电路建模，他详细阐述道：“在SNOPS出现之前，当一个模型变得复杂，我们想要解释一个更复杂的现象时，很难找到合适的参数来分析模型的全部行为。SNOPS是一个有用的工具，可以加速我们的进步，并最终开发出更逼真的大脑模型。”
该团队开发SNOPS的工作独特地结合了实验者、数据驱动的计算科学家和建模者的努力。
“我们的背景和处理问题的方式截然不同，而这正是卡内基梅隆大学神经科学研究的精神所在，”生物医学工程和神经科学研究所教授、认知神经基础中心联席主任马特·史密斯(MattSmith)说道。“我很高兴看到李胜浩将我们所有人的技能结合起来创建了SNOPS，而且，我们也很高兴能够应用它来更好地了解大脑的不同部分如何协同工作。”
未来，SNOPS(现在可通过开源共享方式获取)可以指导网络模型的开发，旨在更深入地了解神经元网络如何产生大脑功能。
“我们从几十年来广泛使用的网络模型开始。无论我们如何调整模型，都无法重现大脑活动的某些方面，”卡内基梅隆大学生物医学工程和电气与计算机工程教授ByronYu补充道。“借助SNOPS，我们可以快速找到一种能够捕捉大脑活动所有必要方面的配置。这让我们对拼凑大局抱有很大的希望。”