thesis

Chapitre
5
Résumé
151
Adaptation automatique de
modèles impulsionnels
Les modèles impulsionnels peuvent prédire de manière précise les potentiels d’action
émis par des neurones corticaux en réponse à un courant injecté dans le soma.
Comme les caractéristiques précises du modèle dépendent du neurone, il est nécessaire
d’utiliser une méthode pour adapter les paramètres des modèles aux enregistrements
électrophysiologiques. Une telle procédure peut être longue à implémenter
et à exécuter. Nous présentons des algorithmes pour adapter des modèles impulsionnels
à des données électrophysiologiques (courant variable injecté et trains de
potentiels d’action en sortie) qui peuvent fonctionner en parallèle sur des processeurs
graphiques (GPUs). La bibliothèque est interfacée avec le simulateur de
réseaux de neurones Brian écrit en Python. Si un GPU est installé, la librairie
utilise automatiquement une procédure de compilation dynamique pour traduire les
équations du modèle en un code optimisé. Des modèles arbitraires peuvent ainsi
être définis au niveau d’un script Python, et être exécutés sur une carte graphique.
Cette librairie peut être utilisée pour tester empiriquement différents modèles impulsionnels
dans différents systèmes. Nous démontrons son utilité sur des données
publiques obtenues lors de la compétition INCF Quantitative Single-Neuron Modeling
2009 et nous comparons la performance de plusieurs modèles impulsionnels. 1
1. Ce travail a été publié en 2010 dans la revue Frontiers in Neuroinformatics (Rossant et al.
2010).