A Flexible FPGA Implementation of Morris-Lecar Neuron for Reproducing Different Neuronal Behaviors
Notice bibliographique
Résumé
The Morris-Lecar (ML) neuronal model is one of the most popular biophysical models for studying the biological behaviors of single neurons. It has been implemented on hardware in different approaches. Field Programmable Gate Arrays (FPGA) technology has been recently used to implement different neuron models, which have a significant impact on new designs in the field of neuromorphic engineering. This interest is due to the FPGA's ability to implement massive and parallel architectures with high flexibility and accuracy. To date, different analog and digital designs have been proposed to implement the ML model on electronic circuits. In this work, we developed a real-time tunable architecture of the ML neuron on an FPGA. Using a noisy signal to stimulate the neuron, we tested the performance of the implemented ML model on both hardware and software models. We verified the FPGA model's capability to adjust various parameters in real-time. We used Xilinx ZCU102 FPGA boards to implement the real-time ML neuron. We discretized the ML model and updated FPGA model parameters for different ionic currents to reproduce neuronal activities generated by MATLAB. The hardware implementation demonstrated that the FPGA-based model reproduced the exact behavior implemented by MATLAB for different parameters and noisy injected current. Our design enabled adaptive alterations of the FPGA model neuron from Integrator mode to Differentiator mode in real-time. The Spike Triggered Average (STA) for several behaviors has been calculated.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».