Promotie G. (Georgios) Smaragdos

Hieronder volgt een korte samenvatting van het proefschrift:

Van alle verschillende neurowetenschappelijke methodes om hersenfuncties te begrijpen, zijn in-silico simulaties steeds populairder aan het worden. Vooruitgang in de neurowetenschappen en engineering heeft geleid tot wiskundige modellen van netwerken die niet simpelweg een abstractie van biologisch gedrag opleveren, maar het gedrag daadwerkelijk in detail kunnen nabootsen. 
Een voorbeeld hiervan is een Spiking Neural Network (SNN), die een aantal additionele eigenschappen kan modelleren, en potentieel kan worden gebruikt om een wijd scala aan hersenfuncties te onderzoeken. 
In-silico simulaties van SNN's kunnen niet alleen gunstige resultaten opleveren voor onderzoek in de neurowetenschappen, maar ook leiden tot mogelijke doorbraken in de medische, computer- en AI-onderzoeksgebieden. SNN’s zijn echter computationeel zware operaties, die traditionele computers moeilijk kunnen verwerken. Daarom wordt het gebruik van High Performance Computing (HPC)-platforms in dit toepassingsgebied steeds aantrekkelijker.

Dit proefschrift verkent het onderwerp van op HPC gebaseerde in-silico hersensimulaties.
Eerst wordt de potentie van het gebruik FPGA’s (custom digitale chips) onderzocht voor het uitvoeren van SNN’s. Vervolgens wordt dit uitgebreid naar exploratie van GPU en multi-core apparatuur. Het proefschrift eindigt met het voorstel van het BrainFrame systeem.

Het proof-of-concept ontwerp ondersteunt standaard en uitgebreide Hodgkin-Huxley-modellen. Het systeem integreert een GPU-, CPU- en FPGA back-end en een standaard neurowetenschappelijke taal front-end, PyNN. Het systeem kan best-in-class perfomance scoren, en is gebruiksvriendelijker voor de typische modelontwikkelaar. BrainFrame biedt zowel een krachtig heterogeen platform voor versnelling als een front-end die vertrouwd is bij de neurowetenschapper.