XiaoMi-AI文件搜索系统
World File Search SystemNeuron
EDEN：高性能、通用、NeuroML...
现代神经科学在不断增加和更详细的神经网络上采用计算机模拟实验。高建模细节与高模型可重复性、可重用性和透明度的需求密切相关。此外，模型的大小和研究中的长时间尺度要求使用具有高计算性能的模拟系统，以提供可接受的结果时间。在这项工作中，我们提出了 EDEN（网络可扩展动态引擎），这是一种新的通用、基于 NeuroML 的神经模拟器，通过创新的模型分析和代码生成技术实现了高模型灵活性和高计算性能。该模拟器直接运行 NeuroML-v2 模型，无需用户学习另一种特定于模拟器的模型规范语言。EDEN 的功能正确性和计算性能通过 NeuroML-DB 和开源大脑模型存储库中提供的 NeuroML 模型进行评估。在定性实验中，EDEN 生成的结果针对各种模型与现有的 NEURON 模拟器进行了验证。同时，计算性能基准测试表明，EDEN 的运行速度比典型台式计算机上的 NEURON 快一到两个数量级，而且无需用户付出额外努力。最后，无需用户付出额外努力，EDEN 已从头开始构建，可在多个 CPU 和计算机集群（如果可用）上无缝扩展。
果蝇中枢大脑相关神经谱系的保存和分化
摘要 连接复杂的大脑需要许多具有复杂细胞特异性的神经元，这些神经元由有限数量的神经干细胞产生。果蝇中枢脑谱系是一系列预定的神经元，以特定的顺序诞生。为了了解谱系身份如何转化为神经元形态，我们绘制了 18 个果蝇中枢脑谱系。虽然我们发现谱系之间存在很大的总体差异，但我们也发现了形态多样化的共同模式。谱系身份加上 Notch 介导的姊妹命运控制着初级神经元的轨迹，而时间命运使终端的精细化多样化。此外，形态神经元类型可能会反复出现，并与其他类型交错出现。尽管很复杂，但相关谱系会以可比的时间模式产生相似的神经元类型。不同的干细胞甚至会产生两组相同的多巴胺能神经元类型，但姐妹神经元无关。总之，这些现象表明，简单的规则驱动着令人难以置信的神经元复杂性，而形态的巨大变化可能是由相对简单的命运机制引起的。
非人类灵长类动物海马功能研究
引言 2 非人灵长类动物海马研究年表 3 20 世纪 50 年代之前的海马研究 3 总结 4 20 世纪 50 年代 5 20 世纪 50 年代的病变研究 5 20 世纪 50 年代的电生理和临床研究 5 总结 5 20 世纪 60 年代 5 20 世纪 60 年代值得注意的病变研究 5 20 世纪 60 年代的单神经元记录 10 总结 11 20 世纪 70 年代 11 关于 20 世纪 70 年代啮齿动物海马电生理学影响研究的说明 11 20 世纪 70 年代值得注意的病变研究 11 20 世纪 70 年代的单神经元记录 12 总结 12 20 世纪 80 年代 12 20 世纪 80 年代值得注意的病变研究 12 20 世纪 80 年代的单神经元记录13 总结 13 20 世纪 90 年代 13 20 世纪 90 年代值得关注的病变研究 13 20 世纪 90 年代的单神经元记录 14 总结 14 21 世纪 00 年代 15 21 世纪值得关注的病变研究 15 21 世纪的单神经元记录 15 总结 16 21 世纪 10 年代 16 总结 17 21 世纪 20 年代 17 讨论 17 海马体与记忆 18 海马体与空间 19 一种新方法：海马功能的神经心理学理论与计算理论 20 结论 21 参考文献 22
课程指南/课程计划 - 脑细胞
● 神经元：脑细胞，将信号传递到脑的其他部分（第 1 部分） ● 神经递质：传递来自其他神经元信息的化学物质（第 1 部分） ● 动作电位：神经元内部因接收来自另一个神经元的信号而触发的电信号（第 1 部分） ● 囊泡：轴突末端含有神经递质的小隔间（第 1 部分） ● 多巴胺：一种神经递质（第 1 部分） ● 受体：接收释放信使的特定化学物质 ● 信使：将信号传递到下一个神经元 ● 转运蛋白：将神经递质带回细胞 循序渐进的课堂指南
使用 PyTorch 和 Qiskit 的混合量子经典神经网络
神经网络最终只是一个复杂的函数，它由称为神经元的较小构建块组成。神经元通常是一个简单、易于计算的非线性函数，它将一个或多个输入映射到单个实数。神经元的单个输出通常被复制并作为输入输入到其他神经元。在图形上，我们将神经元表示为图中的节点，并在节点之间绘制有向边，以指示一个神经元的输出将如何用作其他神经元的输入。还需要注意的是，图中的每个边通常与一个称为权重的标量值相关联。这里的想法是，每个神经元的输入都将乘以不同的标量，然后被收集并处理成单个值。训练神经网络的目标主要是选择我们的权重，使网络以特定的方式运行。
创造力的认知神经科学：评论
大脑由 1000 到 1500 亿个神经元组成。每个神经元通过突触与 1000 到 10000 个其他神经元相连。神经元通过称为突触的连接点与 1000 到 10000 个其他神经元相连。神经元通过称为树突的短触角接收信号；它将这些信号汇总起来以确定它沿着单个轴突发送的信号强度。每个轴突具有多达一千个或更多的轴突终端，每个轴突终端将信号传输到其他神经元的树突。大多数轴突与附近的轴突相连，但一小部分神经元具有非常长的轴突，可以向大脑发送信号。所有神经元都在不断地激发，将神经递质从轴突通过突触发送到树突。信号的强度是指它每秒激发的次数。相对平静的神经元每秒激发不到 10 次；而高度活跃的神经元每秒激发 50 到 100 次。
治疗脊柱肌肉萎缩的疗法
脊髓肌肉萎缩（SMA）是一种罕见的遗传神经肌肉疾病，最严重的病例影响了婴儿和幼儿。1,2 SMA发病率约为15,000分中的15,000分之一，在美国（美国）每年约有500例新的SMA病例。3 4 SMA的最常见原因是在5q染色体上的生存运动神经元1（SMN1）基因的等位基因的纯合缺失或缺失和突变。5-7 SMN1创建生存运动神经元（SMN）蛋白，这是一种对运动神经元发育必不可少的蛋白质。尽管生存运动神经元2（SMN2）基因也会产生SMN蛋白，但只有少量的蛋白质才能起作用。SMN2复制的数量调节了SMA的严重程度，但没有SMN1的患者的SMN蛋白水平不足，而不管SMN2拷贝的数量多少。8这种缺乏会导致运动神经元的不可逆变性，这导致肌肉无力，并防止患者达到运动里程碑或保持运动功能。1
训练深度量子神经网络：补充信息
众所周知（参见 [1]），由经典感知器组成的神经网络可以表示任何函数。因此，希望量子神经网络也具有相同的特性。为了证明普适性，我们构建了一个能够进行通用量子计算的特定网络。即使每个神经元只对应一个量子比特，QNN 也是通用的。但是，如果每个神经元有更多量子比特，则构造会简化，并且我们针对单轨和双轨量子比特神经元以及最一般的神经元分别提供了证明。对于感知器节点为单个量子比特的情况，我们表明由 4 个神经元（两个输入和两个输出）组成的全连接网络可以学习任何两量子比特幺正 V 。一种可能的解决方案是：对应于第一个输出神经元的单元是输入量子位的希尔伯特空间上的 V，然后是第一个输入和输出量子位的希尔伯特空间上的 SWAP，对应于第二个输出神经元的单元是第二个输入和输出量子位的希尔伯特空间上的 SWAP（参见补充图 1）。