Τεχνικές παραλληλοποίησης και βελτιστοποίησης εξομοιωτή βιολογικών νευρικών δικτύων

Παναγιώτου, Σωτήριος; Panagiotou, Sotirios

dc.contributor.author	Παναγιώτου, Σωτήριος	el
dc.contributor.author	Panagiotou, Sotirios	en
dc.date.accessioned	2019-03-04T11:22:32Z
dc.date.available	2019-03-04T11:22:32Z
dc.date.issued	2019-03-04
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/48343
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16473
dc.rights	Default License
dc.subject	Υπολογιστική υψηλής επίδοσης	el
dc.subject	Υπολογιστική νέφους	el
dc.subject	Κλιμακωσιμότητα	el
dc.subject	Νευροεπιστήμη	el
dc.subject	Προσομοίωση	el
dc.subject	High performance computing	en
dc.subject	Cloud computing	en
dc.subject	Scalability	en
dc.subject	Neuroscience	el
dc.subject	Simulation	el
dc.title	Τεχνικές παραλληλοποίησης και βελτιστοποίησης εξομοιωτή βιολογικών νευρικών δικτύων	el
dc.title	Parallelization and optimization techniques on a biological neural net simulator	en
heal.type	bachelorThesis
heal.classification	Υπολογιστικές νευροεπιστήμες	el
heal.classification	Computational neurosciences	en
heal.classification	Biological systems--Simulation methods--Congresses	en
heal.classification	Cloud computing	en
heal.classification	Υπολογιστική βιολογία	el
heal.classification	Υπηρεσίες νέφους	el
heal.classification	Computational biology	en
heal.classification	High performance computing	el
heal.classification	Computational biology	el
heal.classification	Μοντελοποίηση και προσομοίωση	el
heal.classification	Parallel computers	el
heal.classification	Παράλληλος και κατανεμημένος υπολογισμός	el
heal.classificationURI	http://data.seab.gr/concepts/4d8173a4337eda1b18545cb218b81ff26aabaaa2
heal.classificationURI	http://data.seab.gr/concepts/4d8173a4337eda1b18545cb218b81ff26aabaaa2
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh2009117081
heal.classificationURI	http://data.seab.gr/concepts/d45cd1d3fcd3da2caa24a9e11742f4783d37cb22
heal.classificationURI	http://data.seab.gr/concepts/c0de3b7c962d31b616ec7607699ad8d4140426e3
heal.classificationURI	http://data.seab.gr/concepts/d45cd1d3fcd3da2caa24a9e11742f4783d37cb22
heal.classificationURI	http://data.seab.gr/concepts/c0de3b7c962d31b616ec7607699ad8d4140426e3
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh95008935
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh2003008355
heal.classificationURI	http://data.seab.gr/concepts/f85383fcd7c211714084d7fca897998d7d759c5d
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh89004421
heal.classificationURI	http://data.seab.gr/concepts/c1d404f10706d40f4217b57d522765f22fec3f43
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-11-01
heal.abstract	Η νευροεπιστήμη είναι το επιστημονικό πεδίο που ασχολείται με τη λειτουργία του νευρικού συστήματος. Η πρόοδος στη νευροεπιστήμη έχει ωφελήσει τους περισσότερους τομείς της Ιατρικής και έχει βρει εφαρμογές σε νευροενεργά φάρμακα, βηματοδότες καρδιάς και διεπαφές εγκεφάλου-μηχανής. Μια σημαντική προσθήκη στην πειραματική μέθοδο για τη νευρολογική έρευνα είναι οι προσομοιώσεις σε υπολογιστή, καθώς προσφέρουν μεγάλη οικονομία σε χρήμα και χρόνο, αυξημένη αποδοτικότητα στα πειράματα και διερευνησιμότητα συνθηκών που δε μπορούν να μελετηθούν πειραματικά. Η αιχμή της έρευνας στην νευροεπιστήμη είναι η μελέτη της συμπεριφοράς πολύ μεγάλων νευρικών δικτύων. Το όριο στο μέγεθος δικτύου που μπορεί να προσομοιωθεί διαμορφώνεται από την κλίμακα του υπολογιστικού συστήματος που χρησιμοποιείται. Η ανάπτυξη λογισμικού σε συστήματα μεγάλης κλίμακας, όμως, περιλαμβάνει τεχνικά ζητήματα παραλληλοποίησης των υπολογισμών και φορητότητας του λογισμικού. Προκύπτει λοιπόν η ανάγκη για έναν προσομοιωτή νευρικών δικτύων που θα διαχειρίζεται αυτόματα και αποδοτικά τους διαθέσιμους πόρους, θα μπορεί να μεταφερθεί άμεσα σε ποικίλες υπολογιστικές υποδομές, και θα επιτρέπει εύκολο χειρισμό, διαλειτουργικότητα και διερεύνηση νέων υπολογιστικών μοντέλων ώστε να ενδυναμώσει τη νευρολογική έρευνα. Προς αυτή την κατεύθυνση, η παρούσα εργασία αφορά την ανάπτυξη ενός νέου προσομοιωτή μεγάλων νευρικών δικτύων, που δέχεται περιγραφές νευρικών μοντέλων στη βιολογική μορφή που είναι οικεία στους νευροεπιστήμονες, επιτρέπει τη σύνθεση νευρικών μοντέλων που περιλαμβάνουν νέα φαινόμενα και φυσιολογικές διαδικασίες, και μεταφέρεται σε νέες υπολογιστικές υποδομές εκμεταλλευόμενο αποδοτικά τους υπάρχοντες πόρους, όλα χωρίς ειδική παραμετροποίηση από μηχανικό υπολογιστών. Ο προσομοιωτής έχει επίσης σχεδιαστεί ώστε να μπορεί να χρησιμοποιηθεί σε συνεργασία με υπάρχοντα λογισμικά της ερευνητικής διαδικασίας. Για επιβεβαίωση των χαρακτηριστικών του προσομοιωτή, εκτελέστηκε σε υποδομή υπολογιστικού νέφους πλήθος προσομοιώσεων που εξετάζουν την υπολογιστική επίδοση για ένα εύρος πολυπλοκότητας νευρικών διασυνδέσεων, πολυπλοκότητας νευρικής δομής και διαθέσιμων επεξεργαστικών μονάδων. Επίσης σχεδιάστηκε λογισμικό διεπαφής για σύνδεση του προσομοιωτή της εργασίας με τη γενική πλατφόρμα νευρικών προσομοιώσεων BrainFrame.	el
heal.abstract	Neuroscience is the scientific field studying the functions of nervous systems. Advances in neuroscience have benefited most fields of medicine and have enabled applications such as new neuroactive drugs, heart pacemakers and brain-machine interfaces. In neuroscience research, live experiments are complemented by computer simulations, which deliver major cost and time savings, enhance effectiveness of wet lab experiments and provide the ability to investigate conditions that cannot be reproduced experimentally. The cutting edge of neuroscience research is concerned with the emergent behaviours of large-scale neural nets. The size and complexity of simulated neural nets is limited by the scale of the computational system in use. Software development targeting large-scale computers, though, entails technical issues regarding parallelization of computations and software portability. Thus, the need arises for a neural net simulator that utilizes available resources automatically and efficiently, is readily portable to various high-performance computational systems, and facilitates system usage, interoperability and exploration of new computational models, in order to boost neuroscience research. Toward this direction, the present thesis involved development of a new neural net simulator, that supports neural models in the physiological form used by neuroscientists, enables design of neural models that include new model and biological processes, and is portable to different computational infrastructure without custom modifications by computer engineers. The simulator has also been designed to be interoperable with established research software. In order to confirm the simulator's features, the simulator was deployed on cloud infrastructure and a set of simulation runs was performed, exploring computational performance over a range of neural connectivity complexity, neural structure complexity and available processors. In addition, interface software was designed to plug the simulator into the BrainFrame general neural net simulation platform.	en
heal.advisorName	Σούντρης, Δημήτριος	el
heal.advisorName	Soudris, Dimitrios	en
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Πεκμεστζή, Κιαμάλ	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Soudris, Dimitrios	en
heal.committeeMemberName	Pekmestzi, Kiamal	en
heal.committeeMemberName	Goumas, Georgios	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών. Εργαστήριο Μικροϋπολογιστών και Ψηφιακών Συστημάτων VLSI	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.
heal.fullTextAvailability	true