Программная система на основе 3D симулятора для моделирования эволюции в популяции организмов, обладающих зрительной системой

Создание компьютерных моделей, имитирующих работу нервных систем живых организмов с учетом их морфологии и электрофизиологии, – один из важных и перспективных разделов вычислительной нейробиологии. При наличии возможности стремятся моделировать не только нервную систему, но и тело, мышцы, сенсорные системы и виртуальную трехмерную физическую среду, в которой можно наблюдать поведение организма и которая обеспечивает его сенсорные системы адекватными потоками данных, изменяющимися в ответ на движение организма. Для системы из сотен или тысяч нейронов еще можно надеяться задать необходимые параметры и получить функционирование нервной системы, более-менее сходное с таковым для живого организма, как, например, в недавней работе по моделированию головастика Xenopus. Однако наибольший интерес, как практический, так и фундаментальный, представляют организмы, обладающие зрением, более сложной нервной системой и, соответственно, значительно более развитыми когнитивными способностями. Определить структуру и параметры нервных систем таких организмов представляется исключительно сложной задачей. Более того, они изменяются с течением времени, в том числе под воздействием воспринимаемых ими потоков сенсорных сигналов и полученного жизненного опыта, включая последствия собственных действий при тех или иных обстоятельствах. Зная структуру нервной системы и число образующих ее нервных клеток хотя бы приблизительно, можно попытаться оптимизировать начальные параметры модели посредством искусственной эволюции, в процессе которой виртуальные организмы будут взаимодействовать и выживать – каждый под управлением собственной версии нервной системы. Помимо этого, эволюционировать могут и правила, по которым мозг изменяется на протяжении жизни организма. Данная работа посвящена созданию нейроэволюционного симулятора, способного осуществлять одновременное функционирование виртуальных организмов, обладающих зрительной системой, которые взаимодействуют между собой. Приведены расчеты, показывающие, сколько вычислительных ресурсов требуется для работы моделей физического тела организма, нервной системы и виртуальной среды обитания, а также определена производительность симулятора на современной настольной вычислительной системе в зависимости от числа одновременно моделируемых организмов.

1. Aksoy V., Camlitepe Y. Spectral sensitivities of ants – a review. Anim. Biol. 2018;68(1):55-73. DOI 10.1163/15707563-17000119.

2. Buehlmann C., Wozniak B., Goulard R., Webb B., Graham P., Niven J.E. Mushroom bodies are required for learned visual navigation, but not for innate visual behavior, in ants. Curr. Biol. 2020; 30(17):3438-3443.e2. DOI 10.1016/j.cub.2020.07.013.

3. Cammaerts M.-C., Cammaerts R. Are ants (Hymenoptera, Formicidae) capable of self recognition? J. Sci. 2015;5(7):521-532.

4. Ferrario A., Palyanov A., Koutsikou S., Li W., Soffe S., Roberts A., Borisyuk R. From decision to action: detailed modelling of frog tadpoles reveals neuronal mechanisms of decision-making and reproduces unpredictable swimming movements in response to sensory signals. PLoS Comput. Biol. 2021;17(12):e1009654. DOI 10.1371/journal.pcbi.1009654.

5. Herculano-Houzel S., Lent R. Isotropic fractionator: a simple, rapid method for the quantification of total cell and neuron numbers in the brain. J. Neurosci. 2005;25(10):2518-2521. DOI 10.1523/jneurosci.4526-04.2005.

6. Herculano-Houzel S., Mota B., Lent R. Cellular scaling rules for rodent brains. Proc. Natl. Acad. Sci. USA. 2006;103(32):12138-12143. DOI 10.1073/pnas.0604911103.

7. Hodgkin A.L., Huxley A.F. A quantitative description of membrane current and its application to conduction and excitation in nerve. J. Physiol. 1952;117(4):500-544. DOI 10.1113/jphysiol.1952.sp004764.

8. Khlopkova O.A. Methods and algorithms for the intellectualization of decision making under conditions of indeterminacy based on neural networks and evolutionary modeling. Ph.D. Thesis. Moscow, 2016. (in Russian)

9. Kunihiko F. Neocognitron: a self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biol. Cybernetics. 1980;36(4):193-202. DOI 10.1007/BF003 44251.

10. LeCun Y., Bengio Y. Convolutional networks for images, speech, and time series. In: Arbib M.A. (Ed.) The Handbook of Brain Theory and Neural Networks. Cambridge; London: Bradford Book, The MIT press, 1995;276-278.

11. Ma Y., Xie Y. Evolutionary neural networks for deep learning: a review. Int. J. Mach. Learn. Cyber. 2022;13:3001-3018. DOI 10.1007/s13042-022-01578-8.

12. Macquart D., Garnier L., Combe M., Beugnon G. Ant navigation en route to the goal: signature routes facilitate way-finding of Gigantiops destructor. J. Comp. Physiol. A. Neuroethol. Sens. Neural. Behav. Physiol. 2006;192(3):221-234. DOI 10.1007/s00359-0050064-7.

13. Moffett M.W., Garnier S., Eisenhardt K.M., Furr N.R., Warglien M., Sartoris C., Ocasio W., Knudsen T., Bach L.A., Offenberg J. Ant colonies: building complex organizations with minuscule brains and no leaders. J. Org. Design. 2021;10:55-74. DOI 10.1007/s41469021-00093-4.

14. Penick C.A., Ghaninia M., Haight K.L., Opachaloemphan C., Yan H., Reinberg D., Liebig J. Reversible plasticity in brain size, behavior and physiology characterizes caste transitions in a socially flexible ant (Harpegnathos saltator). Proc. R. Soc. B. Biol. Sci. 2021; 288(1948):20210141. DOI 10.1098/rspb.2021.0141.

15. Rosenblatt F. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington DC: Spartan Books, 1962.

16. Sarma G.P., Lee C.W., Portegys T., Ghayoomie V., Jacobs T., Alicea B., Cantarelli M., Currie M., Gerkin R.C., Gingell S., Gleeson P., Gordon R., Hasani R.M., Idili G., Khayrulin S., Lung D., Palyanov A., Watts M., Larson S.D. OpenWorm: overview and recent advances in integrative biological simulation of Caenorhabditis elegans. Philos. Trans. R. Soc. B. Biol. Sci . 2018;373(1758):20170382. DOI 10.1098/rstb.2017.0382.

17. Scheffer L.K., Xu C.S., Januszewski M., Lu Z., Takemura S.Y., Hayworth K.J., Huang G.B., … Meinertzhagen I.A., Rubin G.M., Hess H.F., Jain V., Plaza S.M. A connectome and analysis of the adult Drosophila central brain. eLife. 2020;9:e57443. DOI 10.7554/eLife.57443.

18. Stanley K.O., Miikkulainen R. Evolving neural networks through augmenting topologies. Evol. Comput. 2002;10(2):99-127. DOI 10.1162/106365602320169811.

19. Stimberg M., Goodman D.F.M., Nowotny T. Brian2GeNN: accelerating spiking neural network simulations with graphics hardware. Sci. Rep. 2020;10(1):410. DOI 10.1038/s41598-019-54957-7.