AnimatLab — это инструмент нейромеханического моделирования с открытым исходным кодом , который позволяет авторам легко создавать и тестировать биомеханические модели и нейронные сети , управляющие ими для создания поведения . Пользователи могут создавать нейронные модели с различным уровнем детализации, трехмерные механические модели треугольных сеток и использовать мышцы, моторы, рецептивные поля, датчики растяжения и другие преобразователи для взаимодействия двух систем. Можно проводить эксперименты, в которых применяются различные стимулы и записываются данные, что делает его полезным инструментом для вычислительной нейробиологии. Программное обеспечение также можно использовать для моделирования биомиметических роботизированных систем.
Нейромеханическое моделирование позволяет исследователям исследовать динамические отношения между мозгом, телом и миром такими способами, которые трудно или невозможно провести одним лишь экспериментом. Это делается путем создания биологически реалистичных моделей нейронных сетей, которые контролируют поведение, а также моделирования физики, которая контролирует среду, в которой находится животное. Взаимодействие с симулируемым миром затем можно передать обратно в виртуальную нервную систему, используя модели сенсорных систем. Это обеспечивает обратную связь, аналогичную той, с которой столкнулось бы настоящее животное, и позволяет замкнуть петлю сенсомоторной обратной связи для изучения динамической взаимосвязи между нервной функцией и поведением. Эта взаимосвязь имеет решающее значение для понимания того, как работает нервная система. [2]
Приложение было первоначально разработано в Университете штата Джорджия в рамках гранта NSF № 0641326. [3] Версия 1 AnimatatLab была выпущена в 2010 году. Работа над приложением продолжалась, и в июне 2013 года была выпущена новая улучшенная вторая версия.
AnimatLab позволяет пользователям разрабатывать модели с различными уровнями детализации в зависимости от доступных типов моделей. Нейроны могут быть простыми моделями скорости срабатывания, моделями интеграции и срабатывания или моделями Ходжкина-Хаксли . Плагины для других моделей нейронов могут быть написаны и использованы. Мышцы типа холма , моторы или сервоприводы могут использоваться для приведения в действие суставов. Адаптеры между нейронами и приводами используются для создания сил. Переходники между механическими компонентами (суставами, сегментами тела, мышцами и т. д.) обеспечивают обратную связь с системой управления. Стимулы, такие как зажимы напряжения , зажимы тока, и скоростные зажимы (для суставов) могут быть добавлены к экспериментам по проектированию. Данные можно записывать практически из каждого компонента системы и просматривать в виде графиков или экспортировать в виде файла значений, разделенных запятыми , что упрощает анализ. Кроме того, пользовательский интерфейс полностью графический, что упрощает его использование даже новичками.
Для использования доступны различные модели биологических нейронов . Доступны модель Ходжкина -Хаксли , модели интеграции и стрельбы с одним и несколькими отсеками , а также различные абстрактные модели скорострельности. [4] Это ценная функция, потому что цель модели и ее сложность определяют, какие особенности поведения нейронов важно моделировать. [5]
Сеть построена графически: нейроны перетаскиваются в сеть, а между ними рисуются синапсы. Когда синапс рисуется, пользователь указывает, какой тип использовать. Имеются химические синапсы со спайками и без спайков , а также электрические синапсы . Доступны как краткосрочные (путем фасилитации ), так и долгосрочные ( по Хеббу ) механизмы обучения, значительно увеличивающие возможности сконструированной нервной системы.