oligoplanРезюме проекта

Модели, методы и проверка · 9 октября 2026

Научная основа исследования нейронных сетей

NeuroNet помогает исследовать пластичность, пространственную организацию и память спайковых нейронных сетей. Здесь собраны методы анализа, научные основания и границы доступных выводов.

Данные и достоверность

Что анализирует NeuroNet

Основа анализа — сохранённые состояния математических нейронных сетей в формате .net: нейроны, стимуляторы, направленные связи, их веса и параметры. Это модельные данные, а не измерения живой нервной ткани.

Импорт проверяет структуру файла, координаты, ссылки на нейроны и размеры буферов. Для сравнения состояний дополнительно проверяется соответствие идентификаторов, координат, типов и классов нейронов. Параллельные синапсы сохраняются и учитываются отдельно.

Проверки чтения данных и расчёта метрик выполнены на доступных примерах. Они не заменяют проверку динамического симулятора или подтверждение биологического механизма. В текущих примерах используется модель нейрона Ижикевича; другие модели требуют отдельных проверок.

Что доступно в веб-приложении

Сейчас работают просмотр и сравнение сохранённых состояний. Запуск новых симуляций и временные графики активности — следующий этап. Свой .net обрабатывается на сервере в России без постоянного хранения файла; результат остаётся во вкладке. Сохраните экспорт перед её закрытием.

Пример сравнения состояний

СравнениеНовые / удалённые парыСохранившиеся пары с изменённым весомКак интерпретировать
Before_40 → After ST_400 / 015 758Изменяются веса при том же составе направленных пар.
After ST_40 → Single Rewiring_407 306 / 7 3068 452Меняются состав пар и веса.
After ST_40 → Multiple Rewiring_40235 / 7 0028 756Число синапсов сохраняется, но некоторые пары имеют несколько синапсов. У 752 сохранившихся пар меняется их количество.

Эти числа описывают различия между сохранёнными состояниями. Они сами по себе не доказывают причинный эффект обучения или перестройки. Для такого вывода нужны сопоставимые условия, длительность, контроль и повторные запуски. Счётчик модельного времени может быть обнулён и не устанавливает полную длительность опыта.

Метод сравнения: для каждой пары источник → получатель считаем количество синапсов и сумму их весов. Разность B − A относится к паре. У отдельных синапсов в разных файлах нет устойчивых идентификаторов, поэтому их индивидуальная история не восстанавливается. Изменение веса фиксируется при |Δ| > 10⁻⁹; это числовой допуск, не биологическая значимость.

Исследования и направления применения

Публикации связывают пластичность сети с обучением, передачей сигнала и поведением. Ниже указано, какие вопросы они помогают поставить и какие данные нужны для проверки. Доступные функции и будущие возможности обозначены отдельно.

Перестройка связей и память · 2025

Основание описания — аннотация издателя; полный метод требует отдельного изучения.

Работа исследует сохранение следов памяти при спонтанной активности и структурной перестройке SNN. По аннотации, перестройка повышает устойчивость следа в изученной модели; обсуждаются узловые нейроны. Network memory consolidation under adaptive rewiring.

Направление развития: сравнение «обучение → хранение → проверка памяти», график сохранения ответа и паспорт длительности каждого режима. Сейчас реализовано только сопоставление топологии и весов. Для метрики памяти нужны определение тестового ответа из полного текста, стимулы, временные записи, контроль и независимые повторные запуски.

STDP управляет перестройкой · 2023

Правило связывает удаление слабой связи с порогом и временем пребывания ниже него; создание новой учитывает пространственное расположение. Авторы различают поля анатомических связей, весов и активности. Сильная идея интерфейса — показывать эти уровни отдельно. STDP-driven rewiring in spiking neural networks under stimulus-induced and spontaneous activity.

Направление развития: три согласованных слоя, карта удалённых/созданных пар, журнал событий перестройки с порогом и временем. Сейчас есть карта дискретных различий. Добавлено поле весов по методичке: суммирование направленных весов в пересекаемых ячейках, общая шкала A/B и разность полей. Соглашения о границах ячеек определены ниже; идентичность Windows-реализации ещё не проверена. Поле активности требует событий прохождения импульсов и ответа нейрона; просто записи текущих значений Output недостаточно. Нулевой результирующий вектор не означает отсутствие связей: направления могут взаимно компенсироваться.

Ассоциативное обучение в модульной сети · 2023

Авторы исследуют архитектуры 2IN–1OUT и 2IN–2OUT: условные и безусловные сигналы, конкуренцию путей и выходов, обучение робота избеганию препятствий. Перенос в живые культуры обозначен как направление проверки, а не выполненная универсальная технология. Spatial Computing in Modular Spiking Neural Networks with a Robotic Embodiment.

Направление развития: обзор модулей с раскрытием отдельных нейронов; схема «сенсор → сеть → мотор»; сравнение ответов до/после обучения и после отмены подкрепления. Для такого анализа нужна явная разметка модулей: положение точек на карте не определяет их функцию.

Пространственная память и робот · 2021

Работа связывает STDP, пространственную организацию весов и обучение робота поведению в среде. Полезен именно переход от структуры к измеримому результату поведения, включая изменение среды и переобучение. Spatial Memory in a Spiking Neural Network with Robot Embodiment.

Направление развития: синхронные панели карты сети, траектории робота и показателя успешности. Нужны траектории x/y/t, зоны среды, стимулы, моторные команды и критерий успеха. Из одного файла связности нельзя восстановить путь робота.

Конкуренция путей и управление роботом · 2020

В работе малая SNN с STDP связывает сигналы сенсоров и моторные реакции; авторы исследуют классическое и оперантное обусловливание, а также переобучение. Конкуренция путей передачи спайков — один из центральных механизмов. Spatial Properties of STDP in a Self-Learning Spiking Neural Network Enable Controlling a Mobile Robot.

Направление развития: выбор двух сенсорных путей и сопоставление их задержек, весов и реально зарегистрированного ответа. Геометрически короткая линия сама по себе не доказывает самый быстрый или функционально ведущий путь. Нужны аксональные задержки, состояние сети и события спайков.

Классификация сигналов ЭМГ · 2020

Доступные результаты; протокол требует дополнительной проверки.

Работа сочетает STDP, конкуренцию синаптических входов и латеральное торможение выходов для обучения классификатора ЭМГ. Это отдельная прикладная ветвь проекта. Результат классификации конкретного набора нельзя переносить на новых пользователей и условия. Competitive Learning in a Spiking Neural Network: Towards an Intelligent Pattern Classifier.

Направление развития: входные ЭМГ-каналы, активность классификаторов и матрица ошибок, раздельные данные обучения и проверки. Нужны сырые записи, метки, испытуемые/сеансы и схема разделения. Включать этот раздел сейчас как работающий классификатор было бы преждевременно.

Шум и передача сигнала · 2017

В модели из 400 возбуждающих и 100 тормозных нейронов шум промежуточной интенсивности помогает формированию согласованного ответа на локальную периодическую стимуляцию. Эффект зависит от связности; возможны чередования синхронного и асинхронного режимов. Это модельный результат, а не универсальное правило для живых культур. Noise Enhanced Signaling in STDP Driven Spiking-Neuron Network; копия со страницы соавтора.

Направление развития: серия уровней шума с несколькими случайными seed, кривыми ответа и разбросом результатов. Это задача для расчётного ядра. Само название статьи не даёт основания обещать, что увеличение шума всегда улучшает обучение или память.

Синхронизация ответа · 2016

Основание описания — аннотация издателя; полный метод требует отдельного изучения.

Авторы связывают локальную периодическую стимуляцию, перераспределение весов и расширение области синхронизации; предложено представление весов векторным полем. Network response synchronization enhanced by synaptic plasticity.

Направление развития: временная шкала стимула и ответа, raster спайков, карта пространственных весов. Численную метрику синхронизации нужно согласовать с полным методом и не подменять простым совпадением пиков.

NeuroNet и NEST Desktop: сходство и различия

NEST Desktop — веб-интерфейс для NEST Simulator: проектирование сетей, управление параметрами, запуск и исследование активности. NeuroNet — отдельная программа с авторским ядром и серией исследований пластичности, пространственного обучения и роботического воплощения. Оба работают со спайковыми сетями; это не делает их одним продуктом.

У NEST уже есть STDP и структурная пластичность. Поэтому утверждение «перестройка есть только у NeuroNet» было бы неверным. Показанный в документации NEST пример использует гомеостатическое правило; совпадение с конкретным алгоритмом Лобова не следует из общего названия.

Ещё один аналог — Brian 2: открытый Python-симулятор с моделями, задаваемыми уравнениями. Это возможная среда независимой проверки простых случаев; его ядро в наш интерфейс не встроено.

Направление NeuroNet — удобная организация воспроизводимых вычислительных экспериментов: от выбранной модели и условий до сопоставимых результатов и отчёта. Поддержка конкретных исследовательских сценариев дополняет возможности универсальных симуляторов.

Приём NEST DesktopПрименение в NeuroNetСтатус
Проекты, импорт/экспорт, история измененийИменованные опыты с паспортом данных; сохранять и модель, и результатыЕсть каталог, импорт .net, экспорт; журнал версий — следующий этап
Карта + панель параметров выбранного объектаВыбор нейрона раскрывает исходные поля и связиРеализовано
Раздельные редактор сети и просмотр активностиНе смешивать конфигурацию и рассчитанные состоянияСейчас только состояния; редактор — после подключения ядра
Raster, потенциал, частоты, ISIСвязанные временные графики и выбор одного интервалаНужны записи времени и спайков
Анимация по зарегистрированным событиямПауза, скорость, курсор времени и синхронное выделение нейроновНужны временные данные; декоративной имитации нет
Lab book и доступ к параметрам расчётаВерсия движка, seed, шаг интегрирования, настройки, результаты и заметкиЕсть исходный журнал с ограничением области применимости

Основания: Project view, Network graph, Activity charts, Activity animation. В интерфейсе используются общие принципы работы с картой, параметрами и результатами; расчётные модели рассматриваются отдельно.

Паспорт эксперимента

Параметры и условия

Нейрон: идентификатор, тип, координаты, модель, параметры пластичности и сохранённые переменные. Синапс: источник, получатель, вес и доступные параметры задержки. Стимулятор: связанные объекты и параметры воздействия.

Для повторения вычислительного опыта дополнительно нужны версия ядра, шаг расчёта, длительность, стимуляция, шум, правила обучения и начальное состояние генератора случайных чисел. Часть этих сведений может отсутствовать в .net, поэтому файл сети не всегда является полным паспортом опыта.

В панели «Параметры модели» показаны будущие основные и расширенные настройки и четыре сценария: без обучения, обучение, перестройка связей и проверка сохранения результата. Пока ядро не подключено, запуск недоступен; серые значения являются примерами, а не параметрами выбранной сети.

Расчётные методы

Методическая основа: С. А. Лобов и соавторы, «Нейрокибернетические принципы управления робототехническими устройствами. Часть 2: Спайковые нейронные сети», ННГУ, 2023; руководство NeuroNet.

Четыре разных уровня

Топология отвечает на вопрос «кто с кем соединён». Вес w описывает коэффициент связи. Output в окне автора уже учитывает g × y, где y — активная доля медиатора. Активность — события спайков и доставленных сигналов во времени. Синаптический ток — сумма w × g × y с учётом задержек. Эти величины нельзя обозначать одним словом «сила».

Реализованное поле весов

По лабораторной работе №6 (с. 27–28) вклад синапса j → i равен w × (rᵢ − rⱼ) / |rᵢ − rⱼ|. В каждой ячейке суммируются вклады пересекающих её синапсов. Длинная связь не получает больший вес из-за своей длины; параллельные синапсы учитываются отдельно. Знак берётся из числового веса, а не назначается по типу нейрона. Нуль может означать компенсацию противоположных направлений.

Соглашения расчёта: область ограничена координатами нейронов; сетка равномерная по X и Y, 8/12/16 интервалов на ось. При нулевом диапазоне координаты границы расширяются на ±0,5 исходной единицы. Отрезок учитывается один раз в каждой пересечённой ячейке. Касание только угла или конца не добавляет соседнюю ячейку. Отрезок на границе относится к ячейке с большим индексом; максимальная внешняя граница относится к последней. Совпадающие координаты исключаются из поля и подсчитываются отдельно. Это операционное уточнение рисунка из методички; точное совпадение с авторским ядром требует проверки исходников.

Фильтр типов и выбор нейрона меняют состав поля; лимит сильнейших связей не применяется. Для совместимых состояний A/B стрелки имеют общий масштаб, максимум указан под картой. Разность — поле B минус поле A, на собственной шкале; это изменение структуры, не направление спайков. Координаты, компоненты, число вкладов, границы, фильтры и масштаб экспортируются в JSON. Восемь тестов проверяют направление, длину, параллельность, компенсацию, границы, нулевую длину и линейность разности.

Что ещё нельзя восстановить из .net

Руководство различает .net (сеть с текущими переменными) и .cfg (конфигурация без состояния). Последнее значение сигнала и буфер доставки не являются полной историей спайков. Импорт .cfg пока не реализован.

Для средней частоты: fᵢ = 1000 × Nᵢ / 50 мс, затем среднее по всем нейронам, включая молчащие. Частота пачек — число пиков средней частоты выше 5 Гц за 5 секунд, делённое на 5 секунд. Это именно правила автора для этих моделей; не универсальный детектор пачек для любой культуры. Правила поиска максимумов, перекрытие окон и объединение соседних пиков требуют уточнения по коду. Веб-интерфейс не выдаёт эти показатели без временных данных.

Поле активности в лабораторной работе №7 строится по прошедшим импульсам, вызвавшим ответ постсинаптического нейрона. Чтобы воспроизвести этот критерий, нужен журнал активации связей или точный алгоритм ядра; одного совпадения времён спайков недостаточно для утверждения причинности.

Следующие проверяемые опыты

  1. Один нейрон: мембранный потенциал, ответ на стимул и шум; проверка шага интегрирования.
  2. Один синапс: фасилитация/депрессия, парное и триплетное STDP. Важна указанная автором очередность обновления u перед остальными переменными кратковременной пластичности.
  3. Небольшая сеть: сравнение прямого и обходного пути, конкуренция входов и роль тормозных нейронов. «Кратчайший» здесь связан с динамикой передачи, а не просто с минимальным числом рёбер.
  4. Большая сеть: синхронизация со стимулом, векторное поле и перестройка с сериями случайных seed.
  5. Нейроанимат: сопоставление траектории без обучения, во время обучения и после выключения пластичности. Нужны координаты, время и границы зон.
  6. ЭМГ: исходные каналы, частота дискретизации, масштабирование k, разметка жестов и отдельные сессии обучения/проверки. Матрица ошибок и перенос между сессиями полезнее одиночного процента точности.

Следующий этап

От сохранённых состояний к сериям расчётов

Подключение симуляции предполагает проверку отдельных механизмов: ответа одного нейрона, задержек, кратковременной пластичности, парного и триплетного STDP, удаления и создания связей. Затем проверяются небольшие сети и выбранные опубликованные опыты.

Для анализа динамики нужны записи спайков, стимулов, переменных состояния и событий перестройки, связанные с одним опытом и его настройками. Серии с разными начальными условиями позволят оценивать разброс и устойчивость результата.

Планируемые инструменты — очередь расчётов, сохранение проектов, перебор параметров, сравнение повторов и воспроизводимые отчёты. Для научных выводов понадобится проверка каждого сценария на контрольных данных.

Мозг дрозофилы: осмысленное расширение

Возможен отдельный режим на основе коннектома. Импорт выбранной реальной цепи, направлений связей, числа синапсов, типов нейронов и координат; проверка путей, повторяющихся мотивов и устойчивости связности. Сравнение с перемешанной сетью при сохранении заданных свойств поможет отделить эффект архитектуры от эффекта выбранных параметров.

Научный прецедент: Shiu и соавторы, Nature, 2024 построили LIF-модель коннектома дрозофилы и проверяли предсказания для пищевых и груминговых цепей. Это подтверждает полезность подхода в конкретных задачах, но не переносимость параметров NeuroNet на муху.

Анализ сети FlyWire использует число анатомических синапсов как приближение силы связи. Это не измеренный вес w нашего симулятора. В мозге мухи глутамат может иметь тормозное действие; нельзя автоматически переносить классификацию млекопитающих. Снимок анатомии не содержит правил STDP, токов, задержек и истории обучения.

Первый полезный вопрос: какие промежуточные нейроны выбранной сенсомоторной цепи связывают заданный вход с выходом и какие модельные выключения сильнее меняют ответ? Сначала воспроизвести опубликованную модель и её контрольный опыт, затем исследовать варианты. Полный мозг и исходные электронно-микроскопические изображения для первого шага не нужны.

Данные доступны через FlyWire Codex: направленные связи, типы, нейромедиаторные предсказания, координаты и ссылки на морфологию. Нужен самостоятельный адаптер: сохранить длинные ID строками, версию снимка, порог числа синапсов, систему координат и ограничения выбранной подсети. Для динамики — параметры модели и функциональные контрольные измерения. Лицензии данных, кода и отдельных визуальных материалов проверяются раздельно перед публикацией.

Режим на основе коннектома требует воспроизведения выбранной опубликованной модели и её контрольных результатов. FlyWire пока не подключён к приложению.

Исследовательская практика

Для лабораторий и учебных исследований

NeuroNet предназначен для исследователей вычислительной нейробиологии, нейроробототехники и пластичности сетей, а также преподавателей и студентов. Текущая польза — разобраться в структуре сети, сравнить состояния и подготовить данные и иллюстрации для обсуждения.

Дальнейшее развитие объединяет стимуляцию, нейронную активность, перестройку связей и измеримый результат опыта. Для нейроаниматов нужны траектории и события среды; для ЭМГ — размеченные записи и независимые сеансы проверки.

Бесплатные и платные возможности

Сейчас анализ сохранённых сетей, готовые примеры и экспорт доступны бесплатно. Планируемая платная часть — вычислительные серии, перебор параметров и организация лабораторных проектов. Состав и тарифы будут определены после проверки расчётных сценариев; платная симуляция пока не запущена.

NeuroNet входит в каталог исследовательских инструментов Oligoplan вместе с Foldiff и CellFate. У каждого направления — свои методы, входные данные и условия доступа.