অ্যাকশন পটেনশিয়াল সিমুলেশন

অ্যাকশন পটেনশিয়াল

"অ্যাকশন পটেনশিয়াল" হলো একটি স্বতন্ত্র ভোল্টেজ পরিবর্তন যা স্নায়ুতন্ত্রে সংকেত প্রেরণের জন্য ব্যবহৃত হয়।

নিচে বর্ণিত প্রক্রিয়াগুলোর মাধ্যমে, কোনো ইনকামিং উদ্দীপনা (যেকোনো প্রকার) নার্ভ সেলের ভোল্টেজ পটেনশিয়ালে পরিবর্তন ঘটাতে পারে। নির্দিষ্ট একটি থ্রেশহোল্ড পর্যন্ত এটি শুধু একটি ভোল্টেজ পরিবর্তন ("ব্যর্থ দীক্ষা" ছবিতে দেখানো হয়েছে)। কিন্তু যখন ভোল্টেজ-গেটেড আয়ন চ্যানেলের থ্রেশহোল্ড অতিক্রম করে, তখন একটি ফিডব্যাক প্রতিক্রিয়া শুরু হয় যা দ্রুত পুরোপুরি Na⁺ আয়ন চ্যানেল খুলে দেয় ("ডিপোলারাইজেশন" অংশে)।

এই পর্যায়ে Na⁺ এর পারমিয়েবিলিটি (যা বিশ্রাম অবস্থায় K⁺ এর পারমিয়েবিলিটির প্রায় ১%) K⁺ পারমিয়েবিলিটির থেকে প্রায় ২০ গুণ বেশি হয়। ফলে ভোল্টেজ প্রায় -৬০mV থেকে +৫০mV পর্যন্ত ওঠে। এরপর অভ্যন্তরীণ প্রতিক্রিয়া Na⁺ চ্যানেল বন্ধ করতে এবং K⁺ চ্যানেল খুলতে শুরু করে, যা সমতা পুনরুদ্ধার করে। এই "রিফ্র্যাক্টরি পিরিয়ড" প্রায় ১ মিলিসেকেন্ড স্থায়ী হয়, যেখানে নতুন কোনো ডিপোলারাইজেশন অ্যাকশন পটেনশিয়াল সৃষ্টি করতে পারে না। নতুন অ্যাকশন পটেনশিয়াল তখনই শুরু হতে পারে যখন ভোল্টেজ আবার বিশ্রাম অবস্থায় ফিরে আসে।

অ্যাকশন পটেনশিয়াল সিমুলেট করতে হলে প্রথমে সেল মেমব্রেনের বিভিন্ন উপাদান এবং সেগুলোকে কিভাবে বিশ্লেষণাত্মকভাবে বর্ণনা করা যায়, তা সংজ্ঞায়িত করতে হবে।

সেল মেমব্রেন

সেল মেমব্রেন হলো প্রোটিনের তৈরি একটি জল-বিরোধী, প্রায় অপ্রবাহিত দ্বিপ্রস্থর। সিগন্যাল প্রসেসিং ক্ষমতা আসলে আসে মেমব্রেনে প্রবেশ করা আয়ন চ্যানেল থেকে, যা নির্দিষ্ট ধরনের আয়ন জন্য নির্বাচনীভাবে খোলা যায়। (এই নির্বাচনীতা চ্যানেলের অ্যামিনো অ্যাসিড বিন্যাস দ্বারা নির্ধারিত হয়।) Na⁺ এবং K⁺ ছাড়াও স্নায়ুতন্ত্রে সাধারণত Ca²⁺, Mg²⁺ ও Cl⁻ আয়ন থাকে।

আয়ন চ্যানেলের অবস্থা

আয়ন চ্যানেল তিনটি অবস্থার একটি নিতে পারে:

খোলা (যেমন, একটি খোলা Na⁺ চ্যানেল শুধুমাত্র Na⁺ পারাপার করে)

বন্ধ, কিন্তু খোলার জন্য প্রস্তুত

বন্ধ, কোনোভাবেই খোলা সম্ভব নয়

বিশ্রাম অবস্থাঃ

সাধারণত যখন কিছু ঘটে না, তখন K⁺ চ্যানেল খোলা থাকে, বাকিগুলো বন্ধ থাকে। তখন সেল ভোল্টেজ দুইটি শক্তির সমতা দ্বারা নির্ধারিত হয়:

কেমিক্যাল (K⁺ এর ইনট্রাসেলুলার ও এক্সট্রাসেলুলার ঘনত্ব পার্থক্য, যা আয়ন পাম্প দ্বারা বজায় থাকে)

বৈদ্যুতিক (সেলের ভিতর ও বাইরে ভোল্টেজ পার্থক্য)

সমতা নির্ধারণে নারস্ট সমীকরণ ব্যবহৃত হয়:

${{E}{X}}={\frac {RT}{zF}}\ln {\frac {{[X]}{o}}{{[X]}_{i}}}$

যেখানে R হলো গ্যাস ধ্রুবক, T তাপমাত্রা, z আয়নের চার্জ, F ফারাডে ধ্রুবক, আর [X]_o/i হলো আয়নের বাহির/ভিতরের ঘনত্ব। ২৫° সেলসিয়াসে RT/F প্রায় ২৫mV, ফলে:

${{E}{X}}={\frac {25mV}{z}}\log {\frac {{[X]}{o}}{{[X]}_{i}}}$

সাধারণ K⁺ ঘনত্বের ভিত্তিতে, $E_{K+}=-75mV$ পাওয়া যায়। যদি K⁺, Na⁺ এবং Cl⁻ চ্যানেল একসাথে বিবেচনা করা হয়, তবে সমতা হল Goldman সমীকরণ:

${{V}{m}}={\frac {RT}{F}}\ln {\frac {{{P}{K}}{{[{{K}^{+}}]}{o}}+{{P}{Na}}{{[N{{a}^{+}}]}{o}}+{{P}{Cl}}{{[Cl-]}{i}}}{{{P}{K}}{{[{{K}^{+}}]}{i}}+{{P}{Na}}{{[N{{a}^{+}}]}{i}}+{{P}{Cl}}{{[Cl-]}_{o}}}}$

এখানে P_i হলো আয়নের পারমিয়েবিলিটি, I হলো ঘনত্ব। সাধারণ আয়ন ঘনত্বে সেল সাধারণত -৬০ mV ভোল্টেজে থাকে।

আয়ন চ্যানেল সক্রিয়করণ

আয়ন চ্যানেলের পারমিয়েবিলিটি পরিবর্তিত হতে পারে:

যান্ত্রিক উদ্দীপনা দ্বারা (মেকানিক্যালি অ্যাক্টিভেটেড আয়ন চ্যানেল)

রাসায়নিক উদ্দীপনা দ্বারা (লিগ্যান্ড অ্যাক্টিভেটেড আয়ন চ্যানেল)

অথবা বাইরের ভোল্টেজ দ্বারা (ভোল্টেজ-গেটেড আয়ন চ্যানেল)

কখনো কখনো আয়ন চ্যানেল সরাসরি দুটি সেলকে সংযুক্ত করে, যেগুলোকে গ্যাপ জংশন চ্যানেল বলে।

গুরুত্বপূর্ণ

সংবেদন সিস্টেমগুলো মূলত আয়ন চ্যানেলের উপর ভিত্তি করে, যা যান্ত্রিক (চাপ, শব্দ, আন্দোলন), রাসায়নিক (স্বাদ, গন্ধ), বা বৈদ্যুতিন (আলো) উদ্দীপনায় সক্রিয় হয় এবং নার্ভ সেলে ভোল্টেজ পরিবর্তন সৃষ্টি করে।

অ্যাকশন পটেনশিয়ালে ভোল্টেজ-গেটেড আয়ন চ্যানেল ব্যবহার করা হয় দ্রুত ও নির্ভরযোগ্য ভোল্টেজ পরিবর্তনের জন্য।

নার্ভ সেলগুলোর মধ্যে যোগাযোগ প্রধানত নিউরোট্রান্সমিটার দ্বারা সক্রিয় আয়ন চ্যানেল ব্যবহার করে, যা সর্বোচ্চ নমনীয়তা প্রদান করে।

ভোল্টেজ নির্ভর আয়ন চ্যানেল মডেলিং

ওহমের নিয়ম অনুসারে, একটি রেজিস্টরের প্রতিরোধ R, কারেন্ট I, এবং ভোল্টেজ V এর সম্পর্ক:

$V=IR$

অথবা

$I=gV$

যেখানে g=1/R হলো কন্ডাক্ট্যান্স। যদি কন্ডাক্ট্যান্সটি চ্যানেল খোলার সম্ভাবনার সমান ধরা হয়, তাহলে:

$I={{g}_{\max }}nV$

এখানে ${g}_{max}$ হলো সর্বোচ্চ কন্ডাক্ট্যান্স, এবং n হলো চ্যানেল খোলার সম্ভাবনা।

উদাহরণঃ K-চ্যানেল ভোল্টেজ-গেটেড K চ্যানেল (Kv) কেবল খোলা বা বন্ধ অবস্থায় থাকে। α হলো বন্ধ থেকে খোলা হবার হার, β হলো খোলা থেকে বন্ধ হওয়ার হার:

${{({{K}{v}})}{closed}}{\underset {\beta }{\overset {\alpha }{\longleftrightarrow }}}{{({{K}{v}})}{open}}$

n চ্যানেল খোলার সম্ভাবনা, তাই বন্ধ থাকার সম্ভাবনা (1-n)। চ্যানেলের অবস্থা পরিবর্তন:

${\frac {dn}{dt}}=(1-n)\alpha -n\beta =\alpha -(\alpha +\beta )n$

α এবং β ভোল্টেজ-নির্ভর। ১৯৫২ সালে Hodgkin ও Huxley ভোল্টেজ-ক্ল্যাম্পিং প্রযুক্তি ব্যবহার করে এগুলো নির্ধারণ করেন:

${\begin{aligned}\alpha (V)&={\frac {0.01*\left(V+10\right)}{\exp \left({\frac {V+10}{10}}\right)-1}}\ \beta (V)&=0.125*\exp \left({\frac {V}{80}}\right)\ \end{aligned}}$

আপনি যদি কেবল ভোল্টেজ-নির্ভর K-চ্যানেল মডেল করতে চান, এই সূত্রগুলো দিয়ে শুরু করতে পারেন। (Na-চ্যানেলের জন্য আরও জটিল কারণ তার তিনটি অবস্থা থাকে: খোলা, বন্ধ, এবং নিষ্ক্রিয়।)

হজকিন-হাক্সলি সমীকরণ

উপরোক্ত ভোল্টেজ-নির্ভর আয়ন চ্যানেলগুলোর ফিডব্যাক লুপের কারণে তাদের সঠিক আচরণ নির্ধারণ করা কঠিন ছিল। প্রথম ধাপে, একটি নার্ভ কোষের একক অক্ষাংশের বৈদ্যুতিক সার্কিট বিশ্লেষণ করে অ্যাকশন পটেনশিয়ালের আকার ব্যাখ্যা করা যায়, যার উপাদানগুলো হলো: ১) Na চ্যানেল, ২) K চ্যানেল, ৩) Cl চ্যানেল, ৪) লিকেজ কারেন্ট, ৫) মেমব্রেন ক্যাপাসিট্যান্স।

মূল হজকিন-হাক্সলি মডেলে, যেখানে ক্লোরাইড আয়ন এবং অন্যান্য লিকেজ কারেন্টগুলোকে একত্রিত করা হয়েছে, চূড়ান্ত সমীকরণগুলো ছিল:

$C_{m}{\frac {dV}{dt}}=G_{Na}m^{3}h(E_{Na}-V)+G_{K}n^{4}(E_{K}-V)+G_{m}(V_{rest}-V)+I_{inj}(t)$

এখানে,

, , এবং হল সময় ও ভোল্টেজ নির্ভর ফাংশন যা মেমব্রেনের পারমিয়েবিলিটি নির্দেশ করে।

উদাহরণস্বরূপ, K চ্যানেলের জন্য উপরের বর্ণিত সমীকরণগুলো মেনে চলে, যা ভোল্টেজ-ক্ল্যাম্পিং পদ্ধতিতে নির্ধারিত। এই সমীকরণগুলো খুব সঠিকভাবে অ্যাকশন পটেনশিয়ালের আকার ও সংক্রমণ বর্ণনা করে। মডেলটি সহজেই ওপেন সোর্স টুল যেমন পাইথনডায়নামিকাল সিস্টেমস টুলবক্স (PyDSTools) দিয়ে সমাধান করা যায়। একটি সহজ সমাধান ফাইল এখানে পাওয়া যাবে: ^[১]

সম্পূর্ণ হজকিন-হাক্সলি মডেলের লিঙ্ক

http://fodorwebsite.appspot.com//HHModel.htm

অ্যাকশন পোটেনশিয়াল সৃষ্টির মডেলিং: ফিটজহিউ-নাগুমো মডেল

হডকিন-হাক্সলি মডেলে চারটি গতিশীল চলক থাকে: বিভব $V$ , পটাশিয়াম (K) চ্যানেল খোলার সম্ভাবনা $n(V)$ , সোডিয়াম (Na) চ্যানেল আগেরবার বন্ধ থাকলে খোলার সম্ভাবনা $m(V)$ , এবং আগেরবার নিষ্ক্রিয় থাকলে খোলার সম্ভাবনা $h(V)$ ।

অ্যাকশন পোটেনশিয়াল তৈরির একটি সরলীকৃত মডেল হলো ফিটজহিউ-নাগুমো মডেল। হডকিন-হাক্সলি মডেল থেকে ভিন্নভাবে, এই মডেলে কেবল দুটি গতিশীল চলক থাকে: $V$ এবং $m$ একত্রিত হয়ে $v$ নামক চলক গঠন করে, এবং $n$ ও $h$ একত্রিত হয়ে $r$ নামক চলক গঠন করে।

${\begin{aligned}&{\frac {dv}{dt}}=c(v-{\frac {1}{3}}{{v}^{3}}+r+I)\\&{\frac {dr}{dt}}=-{\frac {1}{c}}(v-a+br)\end{aligned}}$ এখানে, I হলো নিউরনে প্রয়োগকৃত বাহ্যিক কারেন্ট। যেহেতু এই মডেলে মাত্র দুটি চলক আছে, তাই এর পূর্ণগতিশীলতা ফেজ-প্লেন বিশ্লেষণ দ্বারা অন্বেষণ করা যায়। (পাইথনে একটি নমুনা সমাধান এখানে পাওয়া যাবে: ^[২])

পজিটিভ ফিডব্যাকসহ একটি একক নিউরনের সিমুলেশন

নিচের দুটি উদাহরণ নেওয়া হয়েছে ^[৩] । এই বইটি সহজ নিউরাল সিস্টেমের মডেলিংয়ের একটি চমৎকার পরিচয় করিয়ে দেয় এবং এর নীচের তথ্য প্রক্রিয়াকরণ সম্পর্কে ভালো ধারণা দেয়।

প্রথমে আসুন একটি একক নিউরনের প্রতিক্রিয়া দেখি, যার ইনপুট $x(t)$ , এবং যার উপর নিজেই ফিডব্যাক কাজ করছে। ইনপুটের ওজন $v$ , আর ফিডব্যাকের ওজন $w$ । নিউরনের আউটপুট $y(t)$ নির্ধারিত হয়:

$y(t)=wy(t-1)+vx(t-1)$

এটি দেখায় যে খুব সাধারণ সিমুলেশনগুলোও বাস্তব নিউরনের সিগন্যাল প্রক্রিয়াকরণ বৈশিষ্ট্যগুলো ধরতে পারে।

""" পজিটিভ ফিডব্যাকের প্রভাব নিয়ে একটি একক নিউরনের সিমুলেশন """

import numpy as np
import matplotlib.pylab as plt

# System configuration
is_impulse = True   # 'True' for impulse, 'False' for step
t_start = 11        # set a start time for the input     
n_steps = 100       
v = 1               # input weight
w = 0.95            # feedback weight

# Stimulus
x = np.zeros(n_steps)
if is_impulse:     
    x[t_start] = 1  # then set the input at only one time point
else:               
    x[t_start:] = 1 # step input
    
# Response
y = np.zeros(n_steps)           # allocate output vector 
for t in range(1, n_steps):     # at every time step (skipping first) 
    y[t] = w*y[t-1] + v*x[t-1]  # compute the output 

# Plot the results
time = np.arange(n_steps)
fig, axs = plt.subplots(2, 1, sharex=True)

axs[0].plot(time, x)
axs[0].set_ylabel('Input')
axs[0].margins(x=0)

axs[1].plot(time, y)
axs[1].set_xlabel('Time Step')
axs[1].set_ylabel('Output')

plt.show()

একটি সাধারণ নিউরাল সিস্টেমের সিমুলেশন

খুবই সাধারণ নিউরাল সিস্টেমগুলোও আশ্চর্যজনকভাবে বহুমুখী আচরণ প্রদর্শন করতে পারে। এর একটি উদাহরণ হলো উইলসনের মডেল, যা লকাস্ট (টিপটিপো পোকা) এর ফ্লাইট সেন্ট্রাল প্যাটার্ন জেনারেটর (CPG) এর বর্ণনা দেয়। এখানে সিস্টেমটি নিম্নরূপ প্রকাশ করা হয়েছে:

${\vec {y}}(t)=\mathbf {W} \cdot {\vec {y}}(t-1)+{\vec {v}},x(t-1)$

এখানে W হলো সংযোগ ম্যাট্রিক্স, যা নিউরনের পুনরাবৃত্ত সংযোগগুলো বর্ণনা করে, এবং ${\vec {v}}$ হলো সিস্টেমের ইনপুটের ওজন।

ইনপুট x ইউনিটগুলো y_l (l=1,2,3,4) এর সাথে ওজন v_l দিয়ে সংযুক্ত, এবং ইউনিটগুলো y_l থেকে y_k (k=1,2,3,4) এর সাথে ওজন w_{kl} দ্বারা সংযুক্ত। স্পষ্টতার জন্য y2 ও y3 এর স্ব-সংযোগ দেখানো হয়নি, এবং পৃথক ফরোয়ার্ড ও পুনরাবৃত্ত ওজনগুলো লেবেল করা হয়নি। টম আনাস্তাসিওর চমৎকার বই "Tutorial on Neural Systems Modeling" এর উপর ভিত্তি করে।

""" Simulation of the effect of feedback on a single neuron """

import numpy as np
import matplotlib.pylab as plt

# System configuration
is_impulse = True   # 'True' for impulse, 'False' for step
t_start = 11        # set a start time for the input     
n_steps = 100       
v = 1               # input weight
w = 0.95            # feedback weight

# Stimulus
x = np.zeros(n_steps)
if is_impulse:     
    x[t_start] = 1  # then set the input at only one time point
else:               
    x[t_start:] = 1 # step input
    
# Response
y = np.zeros(n_steps)           # allocate output vector 
for t in range(1, n_steps):     # at every time step (skipping first) 
    y[t] = w*y[t-1] + v*x[t-1]  # compute the output 

# Plot the results
time = np.arange(n_steps)
fig, axs = plt.subplots(2, 1, sharex=True)

axs[0].plot(time, x)
axs[0].set_ylabel('Input')
axs[0].margins(x=0)

axs[1].plot(time, y)
axs[1].set_xlabel('Time Step')
axs[1].set_ylabel('Output')

plt.show()

নিউরোমরফিক সার্কিটের উন্নয়ন ও তত্ত্ব

পরিচিতি

নিউরোমরফিক ইঞ্জিনিয়ারিং খুব-বৃহৎ-স্কেল-ইন্টিগ্রেশন (VLSI) সিস্টেম ব্যবহার করে এনালগ এবং ডিজিটাল সার্কিট তৈরি করেছে। যা স্নায়ুবিজ্ঞানীয় আর্কিটেকচার এবং আচরণকে অনুকরণ করে। আধুনিক বেশিরভাগ সার্কিট ডিজিটাল সার্কিট উপাদান ব্যবহার করে। কারণ এগুলো দ্রুত, সঠিক এবং শব্দে কম সংবেদনশীল। জীববিজ্ঞানের দৃষ্টিকোণ থেকে প্রাসঙ্গিক এনালগ সার্কিটের মতো নয়। ডিজিটাল সার্কিটগুলো উচ্চতর পাওয়ার সাপ্লাই প্রয়োজন এবং সমান্তরাল গণনা করতে পারে না। জীববিজ্ঞানের নিউরনের আচরণ, যেমন মেমব্রেনের লিকেজ এবং থ্রেশহোল্ড সীমাবদ্ধতা, উপাদানের বৈশিষ্ট্যের উপর নির্ভর করে যেগুলো ডিজিটাল ০/১ এর বাইরেও মডেলিং ও সূক্ষ্ম সামঞ্জস্যের জন্য এনালগ সিস্টেম প্রয়োজন। এই প্রবন্ধটি সংক্ষেপে এই ধরনের নিউরোমরফিক সার্কিট ও তাদের এনালগ সার্কিট উপাদানের পেছনের তত্ত্ব ব্যাখ্যা করবে।

নিউরোমরফিক ইঞ্জিনিয়ারিংয়ের সাম্প্রতিক অবস্থা

গত ১০ বছরে নিউরোমরফিক ইঞ্জিনিয়ারিং ক্ষেত্রটি দ্রুত এগিয়েছে এবং সংবাদমাধ্যম ও বৈজ্ঞানিক সম্প্রদায়ের থেকে ব্যাপক মনোযোগ পেয়েছে।

এই বিষয়টি ইউরোপীয় কমিশনের নজরে আসার পর, ২০১৩ সালে হিউম্যান ব্রেন প্রজেক্ট শুরু হয়। যা দশ বছরের জন্য ৬০০ মিলিয়ন ইউরো অর্থায়ন পেয়েছিল। প্রকল্পটির লক্ষ্য ছিল অণু ও নিউরন থেকে শুরু করে স্নায়ুতন্ত্রের সার্কিট পর্যন্ত মানব মস্তিষ্কের সিমুলেশন করা। এটি সেপ্টেম্বর ২০২৩-এ শেষ হওয়ার কথা থাকলেও, প্রধান লক্ষ্য অর্জিত না হলেও অন্তত ২০০টি মস্তিষ্ক অঞ্চলের বিস্তারিত ৩ টি মানচিত্র এবং স্মৃতি ও চেতনাসহ বিভিন্ন কার্যকলাপের মডেলিংয়ের জন্য সুপারকম্পিউটার সরবরাহ করছে ^[৪]। আরেকটি প্রধান অগ্রগতি হল ২০১৯ সালে চালু হওয়া ইব্রেইনস ভার্চুয়াল প্ল্যাটফর্ম, যা বৈজ্ঞানিকগণ বিশ্বের যেকোনো স্থান থেকে সিমুলেশন ও ডিজিটাল পরীক্ষা-নিরীক্ষার জন্য বিভিন্ন সরঞ্জাম ও ইমেজ ডেটা ব্যবহার করতে পারেন।

সেই বছরেই, যুক্তরাষ্ট্রের ন্যাশনাল ইনস্টিটিউট অফ হেলথ (NIH) BRAIN প্রজেক্টের জন্য অর্থায়নের ঘোষণা দেয়।যার লক্ষ্য ছিল বড় সংখ্যক নিউরনের কার্যকলাপ পুনর্গঠন করা। এই প্রকল্প এখনও চলমান এবং ২০২৩ পর্যন্ত ৬৮০ মিলিয়ন ডলার অর্থায়ন দেওয়া হয়েছে।

সাম্প্রতিক বছরগুলোর অন্যান্য বড় অগ্রগতি:

১. ট্রু নর্থ চিপ (IBM, ২০১৪): মোট ২৬৮ মিলিয়ন প্রোগ্রামযোগ্য সিনাপ্স সহ

২. লোইহি চিপ (Intel, ২০১৭): অ্যাসিঙ্ক্রোনাস নিউরাল স্পাইকিং নেটওয়ার্ক (SNN)-এর উপর ভিত্তি করে অভিযোজ্য ইভেন্ট-চালিত সমান্তরাল কম্পিউটিং এর জন্য। ২০২১ সালে এর আপগ্রেড সংস্করণ লোইহি২ চালু হয়।

৩. প্রোটোটাইপ চিপ (IMEC, ২০১৭): অক্সর্যাম প্রযুক্তির ভিত্তিতে প্রথম স্ব-শিক্ষণশীল নিউরোমরফিক চিপ

৪. আকিদা AI প্রসেসর ডেভেলপমেন্ট কিটস, ২০ম বাণিজ্যিকভাবে উপলব্ধ নিউরোমরফিক প্রসেসর

ট্রানজিস্টর গঠন ও পদার্থবিদ্যা

মেটাল-অক্সাইড-সিলিকন ফিল্ড-এফেক্ট ট্রানজিস্টর (MOSFET) আধুনিক ইন্টিগ্রেটেড সার্কিটের সাধারণ উপাদান। MOSFET গুলোকে ইউনিপোলার ডিভাইস হিসেবে শ্রেণিবদ্ধ করা হয় ।কারণ প্রতিটি ট্রানজিস্টর কেবল এক ধরনের চার্জ বাহক ব্যবহার করে; নেগেটিভ-টাইপ MOSFET (nFET) ইলেকট্রনকে বাহক হিসেবে এবং পজিটিভ-টাইপ MOSFET (pFET) হোলকে বাহক হিসেবে ব্যবহার করে।

সাধারণ MOSFET-এ একটি মেটাল গেট (G) এবং দুইটি pn জংশন ডায়োড থাকে যাদেরকে সোর্স (S) ও ড্রেন (D) বলা হয় (চিত্র দেখুন)। গেট ও সিলিকন বাল্ক (B) এর মধ্যে একটি ইন্সুলেটিং অক্সাইড স্তর থাকে। চার্জ বহনকারী চ্যানেল সরাসরি এই অক্সাইড স্তরের নিচে অবস্থিত। কারেন্ট গেটের মাত্রার উপর নির্ভরশীল।

সোর্স ও ড্রেন একে অপরের প্রতি সিমেট্রিক, শুধু তাদের প্রয়োগকৃত ভোল্টেজে পার্থক্য থাকে। nFET-এ সোর্স ও ড্রেন ওয়েলগুলি n-টাইপ এবং একটি p-টাইপ সাবস্ট্রেটের মধ্যে অবস্থিত। সাবস্ট্রেটটি বাল্ক p-টাইপ ওয়েল কনট্যাক্টের মাধ্যমে বায়াস করা হয়। গেটের নিচে চ্যানেলে ড্রেন থেকে সোর্স পর্যন্ত পজিটিভ কারেন্ট প্রবাহিত হয়। সোর্সের নামকরণ হয়েছে কারণ এটি ইলেকট্রনের উৎস। বিপরীতে, pFET-এ p-টাইপ সোর্স ও ড্রেন একটি বাল্ক n-ওয়েলে অবস্থিত, যা p-টাইপ সাবস্ট্রেটে থাকে; এখানে কারেন্ট সোর্স থেকে ড্রেনের দিকে প্রবাহিত হয়।

যখন বাহকরা ঘনত্ব পার্থক্যের কারণে সরতে থাকে, তাকে ডিফিউশন বলে। আর যখন বাহকরা বৈদ্যুতিক ক্ষেত্রের কারণে সরানো হয়, তাকে ড্রিফট বলা হয়। প্রচলিত নিয়ম অনুযায়ী, nFET ড্রেন সোর্স থেকে উচ্চ ভোল্টেজে বায়াস করা হয়, আর pFET-এ সোর্স ড্রেন থেকে উচ্চ ভোল্টেজে।

nFET-এ গেটে পজিটিভ ভোল্টেজ প্রয়োগ করলে, মেটাল কন্টাক্টে পজিটিভ চার্জ সঞ্চিত হয়। এটি বাল্ক থেকে ইলেকট্রনকে সিলিকন-অক্সাইড ইন্টারফেসে টেনে আনে, সোর্স ও ড্রেনের মধ্যে একটি নেগেটিভ চার্জযুক্ত চ্যানেল সৃষ্টি হয়। গেট ভোল্টেজ যত বেশি, চ্যানেল ততই মোটা হয়, যা অভ্যন্তরীণ প্রতিরোধ কমায় এবং ফলে কারেন্ট লগারিদমিকভাবে বৃদ্ধি পায়। ছোট গেট ভোল্টেজ (সাধারণত থ্রেশহোল্ড ভোল্টেজ $V_{th}=0.7V$ এর নিচে) এ চ্যানেল পুরোপুরি পরিবাহী হয় না এবং ড্রেন থেকে সোর্স কারেন্ট লিনিয়ার ভাবে লগারিদমিক স্কেলে বৃদ্ধি পায়। এই অবস্থাকে সাবথ্রেশহোল্ড অঞ্চল ( $V_{gs}<V_{th}$ ) বলে। থ্রেশহোল্ড ভোল্টেজের পর ( $V_{gs}>V_{th}$ ) চ্যানেল সম্পূর্ণ পরিবাহী হয় এবং কারেন্ট সুপারথ্রেশহোল্ড অঞ্চলে চলে যায়।

ট্রানজিস্টরের কারেন্ট গেট ভোল্টেজ $V_{g}$ -এর ফাংশন হিসেবে একটি নির্দিষ্ট ড্রেন-সোর্স ভোল্টেজ $V_{ds}$ -এর জন্য।

ড্রেন থেকে সোর্স কারেন্ট প্রবাহের জন্য প্রথমে একটি বৈদ্যুতিক ক্ষেত্র থাকতে হবে যা বাহককে চ্যানেলের মাধ্যমে টেনে নিয়ে যায়। বৈদ্যুতিক ক্ষেত্রের শক্তি সোর্স ও ড্রেনের মধ্যকার ভোল্টেজ পার্থক্যের ( $V_{ds}$ ) ওপর নির্ভরশীল, যা ড্রেন-সোর্স কারেন্ট নিয়ন্ত্রণ করে। ছোট $V_{ds}$ এর জন্য, কারেন্ট $V_{ds}$ এর সাপেক্ষে লিনিয়ার ভাবে বৃদ্ধি পায় যদি $V_{gs}$ ধ্রুবক থাকে। $V_{ds}$ যখন ১০০ মিলিভোল্টের বেশি হয়, কারেন্ট পরিপূর্ণ হয় (সেচুরেট)।

pFET গুলো nFET-এর মতোই কাজ করে, শুধু বাহক হোল এবং কনট্যাক্ট বায়াস বিপরীত।

ডিজিটাল অ্যাপ্লিকেশনে, ট্রানজিস্টরগুলো হয় তাদের সেচুরেশন অঞ্চলে (চালু) থাকে বা বন্ধ থাকে। চালু এবং বন্ধ অবস্থার মধ্যে এত বড় সম্ভাব্য পার্থক্যের কারণে ডিজিটাল সার্কিটের বিদ্যুৎ ব্যবহারের পরিমাণ বেশি। বিপরীতে, অ্যানালগ সার্কিটগুলো ট্রানজিস্টরের লিনিয়ার অঞ্চল ব্যবহার করে ক্রমাগত সংকেত তৈরি করে যা কম বিদ্যুৎ ব্যবহার করে। তবে গেট বা সোর্স-ড্রেন ভোল্টেজে সামান্য পরিবর্তন কারেন্টে বড় পরিবর্তন আনতে পারে, ফলে অ্যানালগ সিস্টেমগুলো শব্দ প্রবণ হয়।

নিউরোমরফিক ইঞ্জিনিয়ারিং অ্যানালগ সার্কিটের শব্দাত্মক প্রকৃতিকে কাজে লাগিয়ে নিউরনের স্টোকাস্টিক (অনিয়মিত) আচরণ অনুকরণ করে ^[৫] ^[৬]। ঘড়ি ভিত্তিক ডিজিটাল সার্কিটের বিপরীতে, অ্যানালগ সার্কিটগুলি জীববৈজ্ঞানিক সময়স্কেলে (প্রায় $10\mu sec$ ) কার্যক্ষমতা প্রদর্শন করে। পোটেনশিয়ালগুলো ধীরগতি হয় এবং ফায়ারিং রেট নিয়ন্ত্রণ করা হয় সময় ধ্রুবক বাড়িয়ে, যেমন লিকিং বায়াস এবং পরিবর্তনশীল রেজিস্টিভ ট্রানজিস্টর দ্বারা। জীববৈজ্ঞানিক অ্যাকশন পোটেনশিয়ালগুলির বিভিন্ন সময়গত গতিবিধি অনুকরণ করতে সক্ষম অ্যানালগ সার্কিট তৈরি হয়েছে, যা সিলিকন সার্কিটকে নিউরোনের স্পাইক-ভিত্তিক লার্নিং আচরণ অনুকরণ করার সুযোগ দেয় ^[৭]। যেখানে ডিজিটাল সার্কিট কেবল বাইনারি সিনাপটিক ওজন [0,1] ধারণ করতে পারে, অ্যানালগ সার্কিট ক্রমাগত মানের সিনাপটিক ওজন বজায় রাখতে সক্ষম, যা নিউরোমরফিক সার্কিটের জন্য বিশেষভাবে লাভজনক।

মৌলিক স্থির সার্কিট

ট্রানজিস্টর কিভাবে কাজ করে এবং কিভাবে তাদের বায়াস করা হয় তা বুঝার পর, মৌলিক স্থির অ্যানালগ সার্কিটগুলোকে র‍্যাশনালাইজ করা সম্ভব। এর পরে, এই মৌলিক স্থির সার্কিটগুলোকে একত্র করে নিউরোমরফিক সার্কিট তৈরি করা হবে। নিম্নলিখিত সার্কিট উদাহরণগুলোতে, সোর্স, ড্রেন এবং গেট ভোল্টেজগুলো স্থির রাখা হয়েছে এবং কারেন্ট আউটপুট হিসেবে বিবেচিত হয়েছে। বাস্তবে, বায়াস গেট ভোল্টেজ একটি সাবথ্রেশহোল্ড মানে থাকে ( $0<V_{g}<0.7V$ ), ড্রেন স্যাচুরেশনে থাকে ( $V_{d}>100mV$ ) এবং সোর্স ও বাল্ক গ্রাউন্ডে সংযুক্ত থাকে ( $V_{s},V_{b}=0V$ )। সকল নন-আইডিয়ালিটি এখানে উপেক্ষিত।

ডায়োড-সংযুক্ত ট্রানজিস্টর

একটি ডায়োড-সংযুক্ত nFET-এর গেট ড্রেনের সাথে যুক্ত থাকে। যেহেতু ফ্লোটিং ড্রেন গেট ভোল্টেজ নিয়ন্ত্রণ করে, তাই ড্রেন-গেট ভোল্টেজ স্ব-নিয়ন্ত্রিত হয় এবং ডিভাইস সর্বদা ইনপুট কারেন্ট $I_{ds}$ শোষণ করে। কয়েক মাইক্রোভোল্টের বেশি ভোল্টেজে ট্রানজিস্টর স্যাচুরেশনে চলে যায়। অনুরূপভাবে, একটি ডায়োড-সংযুক্ত pFET-এর গেট সোর্সের সাথে যুক্ত থাকে। যদিও এই সরল ডিভাইসটি কেবল শর্ট সার্কিটের মতো মনে হয়, এটি অ্যানালগ সার্কিটে কারেন্ট কপি এবং নিয়ন্ত্রণের জন্য ব্যাপকভাবে ব্যবহৃত হয়। বিশেষ করে নিউরোমরফিক সার্কিটে, এগুলো কারেন্ট সিঙ্ককে ধীর করে, সার্কিটের টাইম কনস্ট্যান্ট বাড়িয়ে জীববৈজ্ঞানিক সময়সীমায় আনে।

কারেন্ট মিরর

কারেন্ট মিরর ডায়োড-সংযুক্ত ট্রানজিস্টরের কারেন্ট শোষণের ক্ষমতাকে কাজে লাগায়। যখন একটি ইনপুট কারেন্ট ডায়োড-সংযুক্ত ট্রানজিস্টর $M1$ -এ প্রবাহিত হয়, ফ্লোটিং ড্রেন এবং গেট উপযুক্ত ভোল্টেজে নিয়ন্ত্রিত হয় যা ইনপুট কারেন্ট পার হতে দেয়। যেহেতু দুই ট্রানজিস্টরের গেট নোড একই, $M2$ একই কারেন্ট শোষণ করবে। এভাবে আউটপুট ট্রানজিস্টর ইনপুট কারেন্টের সদৃশ হয়। আউটপুট ইনপুট কারেন্টের মিরর হবে যতক্ষণ:

$V_{s1}=V_{s2}$

${\frac {W_{M1}}{L_{M1}}}={\frac {W_{M2}}{L_{M2}}}$ .

এই দুই প্যারামিটার সামঞ্জস্য করে কারেন্ট মিররের গেইন নিয়ন্ত্রিত হয়। ভিন্ন মাত্রার ট্রানজিস্টর ব্যবহারে (টিল্টেড মিরর) গেইন হয়:

$Gain={\frac {({\frac {W}{L}})_{M2}}{({\frac {W}{L}})_{M1}}}.$ pFET কারেন্ট মিরর nFET মিররের উল্টো, যেখানে ডায়োড-সংযুক্ত pFET ইনপুট কারেন্ট মিরর করে এবং অন্য pFET আউটপুট কারেন্ট সরবরাহ করে।

কারেন্ট মিরর ইনপুট কারেন্ট ব্যয় না করে কারেন্ট কপি করতে ব্যবহৃত হয়। বিশেষ করে ফিডব্যাক লুপে, যেমন অ্যাকশন পোটেনশিয়াল দ্রুত করতে এবং সিনাপ্সে ইনপুট কারেন্ট যোগ করতে এটি অপরিহার্য।

সোর্স ফলোয়ার

সোর্স ফলোয়ার একটি ইনপুট ট্রানজিস্টর $M_{1}$ এবং একটি বায়াস ট্রানজিস্টর $M_{b}$ নিয়ে গঠিত। সাবথ্রেশহোল্ড ( $<0.7V$ ) বায়াস ভোল্টেজ $M_{b}$ এর গেট নিয়ন্ত্রণ করে, যা একটি ধ্রুব কারেন্ট $I_{b}$ শোষণ করতে বাধ্য করে। ফলস্বরূপ, $M_{1}$ একই কারেন্ট শোষণ করে ( $I_{1}=I_{b}$ ) ইনপুট ভোল্টেজ $V_{in}$ যাই হোক না কেন।

সোর্স ফলোয়ার নামকরণ হয়েছে কারণ আউটপুট ভোল্টেজ $V_{out}$ ইনপুট $V_{in}$ অনুসরণ করে, সামান্য অফসেট নিয়ে, যা প্রকাশ পায়:

$V_{out}=\kappa \cdot (V_{in}-V_{b}),$
যেখানে কেপা (κ) হলো সাবথ্রেশহোল্ড স্লোপ ফ্যাক্টর, যা সাধারণত একের কম।এই সরল সার্কিট প্রায়শই বাফার হিসেবে ব্যবহৃত হয়। যেহেতু গেট দিয়ে কোন কারেন্ট প্রবাহিত হয় না, ইনপুট থেকে কারেন্ট নেয় না, যা লো-পাওয়ার সার্কিটের জন্য গুরুত্বপূর্ণ। সোর্স ফলোয়ার সার্কিট অন্য সার্কিটকে আলাদা করে, পাওয়ার সার্জ বা স্ট্যাটিক থেকে রক্ষা করে।

নিউরোমরফিক সার্কিটে, সোর্স ফলোয়ারগুলি সহজ কারেন্ট ইন্টিগ্রেটর হিসেবে ব্যবহৃত হয়, যা অনেক প্রিসিনাপ্টিক নিউরন থেকে কারেন্ট সংগ্রহ করে।

ইনভার্টার

ইনভার্টার একটি pFET $M_{1}$ এবং একটি nFET $M_{2}$ নিয়ে গঠিত, যেখানে গেটগুলো ইনপুট $V_{in}$ -এর সাথে সংযুক্ত এবং আউটপুট হলো সাধারণ সোর্স নোড $V_{out}$ । যখন ইনপুট উচ্চ, pFET বন্ধ থাকে কিন্তু nFET চালু থাকে, আউটপুট $V_{out}$ ড্রেন হয়ে ইনপুট সিগন্যাল উল্টে দেয়। বিপরীতে, ইনপুট নীচু হলে nFET বন্ধ থাকে কিন্তু pFET চালু থাকে এবং আউটপুট নোড চার্জ হয়।

এই সরল সার্কিট দ্রুত সুইচ হিসেবে কার্যকর। ইনভার্টার সাধারণত বাফার হিসেবেও ব্যবহৃত হয় কারণ গেট দিয়ে কারেন্ট প্রবাহ না থাকার কারণে ইনপুট কারেন্ট সরাসরি সাপ্লাই করতে হয় না। দুই ইনভার্টার সিরিজে ব্যবহার করলে এটি নন-ইনভার্টিং অ্যাম্প্লিফায়ার হিসেবে কাজ করে। এটি মূল ইন্টিগ্রেট-এন্ড-ফায়ার সিলিকন নিউরনের জন্য ব্যবহৃত হয়েছিল (মিড এট আল, ১৯৮৯) জীববৈজ্ঞানিক অ্যাকশন পোটেনশিয়ালের দ্রুত ডিপোলারাইজিং স্পাইক তৈরি করতে।

তবে, ইনপুট যখন উচ্চ এবং নিম্নের মাঝে পরিবর্তিত হয়, উভয় ট্রানজিস্টর সুপারথ্রেশহোল্ড স্যাচুরেশনে থাকে এবং কারেন্ট ড্রেন হয়, ফলে এটি শক্তি খরচী হয়।

কারেন্ট কনভেয়ার

কারেন্ট কনভেয়ারকে বাফার কারেন্ট মিয়র ও বলা হয়। এটি দুই ট্রানজিস্টর নিয়ে গঠিত, যেখানে প্রত্যেকটির গেট অন্যটির একটি নোডের সাথে সংযুক্ত। কারেন্ট কনভেয়ার স্ব-নিয়ন্ত্রিত হয় যাতে আউটপুট কারেন্ট ইনপুট কারেন্টের সমান হয়, কারেন্ট মিররের মতই।

দীর্ঘ সারির পুনরাবৃত্তিতে কারেন্ট মিররের পরিবর্তে কারেন্ট কনভেয়ার ব্যবহৃত হয় কারণ কারেন্ট মিররের গেটের অক্সাইড ক্যাপাসিট্যান্স আউটপুটে বিলম্ব সৃষ্টি করে। যদিও একক কারেন্ট মিররে বিলম্ব নগণ্য, বড় আকারের মিররিং অ্যারে গড় মিলিয়ে অনেক বিলম্ব হয় যা নিউরাল নেটওয়ার্ক অনুকরণের মতো বৃহৎ প্রক্রিয়ায় সমস্যা সৃষ্টি করে।

ডিফারেনশিয়াল জুটি

ডিফারেনশিয়াল জুটি একটি তুলনামূলক বর্তনী যা দুটি উৎস-অনুসারী ট্রানজিস্টরের দ্বারা গঠিত, যাদের একটি সাধারণ বায়াস থাকে যা দুর্বল ইনপুটের কারেন্টকে নীরব করতে বাধ্য করে। বায়াস ট্রানজিস্টর $I_{b}$ কে ধ্রুব রাখে, সাধারণ নোড $V_{s}$ কে একটি নির্দিষ্ট ভোল্টেজে স্থির করে। উভয় ইনপুট ট্রানজিস্টর তাদের ইনপুট ভোল্টেজ অনুযায়ী কারেন্ট প্রবাহিত করতে চায়, যথাক্রমে $I_{1}$ এবং $I_{2}$ । তবে, যেহেতু সাধারণ নোডটি স্থির থাকতে হবে, ইনপুট ট্রানজিস্টরগুলোর ড্রেইন ভোল্টেজকে গেট ভোল্টেজের অনুপাতে বৃদ্ধি পেতে হবে। যেটির ইনপুট ভোল্টেজ কম, সেটি চোক হিসেবে কাজ করবে এবং তার ড্রেইনের মাধ্যমে কম কারেন্ট প্রবাহিত হতে দেবে। পরাজিত ট্রানজিস্টরের সোর্স ভোল্টেজ বৃদ্ধি পাবে এবং এটি স্যাচুরেশন অবস্থা থেকে বেরিয়ে যাবে।

নিউরোনাল বর্তনীর প্রেক্ষাপটে, ডিফারেনশিয়াল জুটি একটি আয়ন চ্যানেলের অ্যাক্টিভেশন থ্রেশোল্ড হিসেবে কাজ করতে পারে, যার নিচে ভোল্টেজ-নিয়ন্ত্রিত আয়ন চ্যানেল খোলে না, ফলে নিউরোন স্পাইক করে না ^[৮]।

ইনটিগ্রেট এন্ড ফায়ার নিউরন

ইনটিগ্রেট এন্ড ফায়ার নিউরনের সর্বাধুনিক স্কিম্যাটিক, যাকে অ্যাক্সন-হিলক নিউরনও বলা হয়, সবচেয়ে সাধারণ স্পাইকিং নিউরন মডেল ^[৯]। বেশিরভাগ অ্যাক্সন-হিলক সার্কিটে সাধারণ উপাদান হলো: মেমব্রেন পটেনশিয়ালের একটি নোড $V_{c}$ , একটি অ্যাম্প্লিফায়ার, একটি পজিটিভ ফিডব্যাক লুপ $C_{f}$ , এবং মেমব্রেন পটেনশিয়াল রিসেট করার জন্য একটি মেকানিজম $V_{p}$ ।

ইনপুট কারেন্ট $I_{i}$ $V_{c}$ নোডকে চার্জ দেয়, যা একটি ক্যাপাসিটরে সঞ্চিত থাকে, $C$ । এই ক্যাপাসিটারটি জীববিদ্যার লিপিড মেমব্রেনের অনুরূপ, যা মুক্ত আয়নিক প্রবাহ রোধ করে এবং মেমব্রেন পটেনশিয়াল তৈরি করে। ইনপুট কারেন্ট অ্যাম্প্লিফায়ার দ্বারা ভোল্টেজ স্পাইকে রূপান্তরিত হয়। $C_{f}$ এর মাধ্যমে পজিটিভ ফিডব্যাক $V_{c}$ কে দ্রুত বৃদ্ধি করে, যা জীববিজ্ঞানের অ্যাক্সন হিলকের সোডিয়াম চ্যানেলের কার্যকারিতার অনুরূপ। যখন ভোল্টেজ স্পাইক তৈরি হয়, রিসেট বায়াস $V_{p}$ $V_{c}$ থেকে চার্জ নিষ্কাশন শুরু করে, যা সোডিয়াম-পটাশিয়াম চ্যানেলের কাজের মতো।

অরিজিনাল অ্যাক্সন হিলক সিলিকন নিউরনটি একটি ডিফারেনশিয়াল পেয়ার যোগ করে অ্যাক্টিভেশন থ্রেশহোল্ড অন্তর্ভুক্ত করে, যা ইনপুটকে নির্দিষ্ট থ্রেশহোল্ড বায়াস $V_{thr}$ এর সাথে তুলনা করে ^[৮]। এই পরিবাহিতা-ভিত্তিক সিলিকন নিউরন একটি লিক ট্রানজিস্টরসহ ডিফারেনশিয়াল-পেয়ার ইন্টিগ্রেটর (DPI) ব্যবহার করে ইনপুট $I_{in}$ কে থ্রেশহোল্ডের সাথে তুলনা করে। লিক বায়াস $V_{tau}$ , রেফ্রাক্টরি পিরিয়ড বায়াস $V_{rfr}$ , অ্যাডাপটেশন বায়াস $V_{ahp}$ , এবং পজিটিভ ফিডব্যাক গেইন স্পাইকিং ফ্রিকোয়েন্সি স্বাধীনভাবে নিয়ন্ত্রণ করে।

গবেষণা স্পাইক ফ্রিকোয়েন্সি অ্যাডাপটেশন বাস্তবায়নে কেন্দ্রীভূত হয়েছে, যা রেফ্রাক্টরি পিরিয়ড ও থ্রেশহোল্ড নিয়ন্ত্রণ করে ^[১০]। অ্যাডাপটেশন নিউরনকে ইনপুটের ফ্রিকোয়েন্সি অনুযায়ী আউটপুট নিয়ন্ত্রণ করতে দেয়। দীর্ঘস্থায়ী উচ্চ ফ্রিকোয়েন্সি ইনপুট থাকলে, নিউরন স্নায়ুগতভাবেই সংবেদনশীলতা হ্রাস করে এবং আউটপুট কমে যায়। এই আচরণ ক্যালসিয়াম ফ্লাক্স ও একটি অ্যাডাপটিভ ক্যাপাসিটার $C_{ahp}$ দ্বারা মডেল করা হয়, যা অতীত কার্যকলাপের স্মৃতি ধারণ করে।

স্পাইক ফ্রিকোয়েন্সি অ্যাডাপটেশনের আবিষ্কার নিউরনের স্তরে পরিবর্তনের মাধ্যমে সায়নাপস স্তরের অ্যাডাপটিভ লার্নিং মেকানিজম নিয়ন্ত্রণ সম্ভব করেছে। জীববিদ্যাগত এই নিউরনাল লার্নিং মডেল ^[১১] পরবর্তী অধ্যায় সিলিকন সায়নাপস এ আলোচনা করা হবে।

সিলিকন সিনাপ্স

মূল সিলিকন সিনাপ্স, যা প্রথমে ব্যবহৃত হয়েছিল Mead et al., 1989 ^[৯], একটি পিএফইটি সোর্স ফলোয়ার যা একটি কম সংকেত পলস ইনপুট গ্রহণ করে এবং একটি একমুখী কারেন্ট, $I_{o}$ আউটপুট দেয় ^[১২]।

স্পাইকের অ্যাম্প্লিটিউড নিয়ন্ত্রিত হয় ওজন বায়াস, $V_{w}$ দ্বারা, এবং পলস প্রস্থ সরাসরি ইনপুট পলস প্রস্থের সাথে সম্পর্কিত যা সেট করা হয় $V_{\tau}$ দ্বারা। Lazzaro et al. (1993) সিনাপ্স সার্কিটে ক্যাপাসিটার যোগ করা হয় স্পাইকের সময় ধৈর্য বাড়ানোর জন্য, যা জীববৈজ্ঞানিকভাবে যুক্তিসঙ্গত মান। এটি পলসের হাইপারপোলারাইজেশন এবং ডিপোলারাইজেশন এর গতি ধীর করে এবং এটি ক্যাপাসিট্যান্সের একটি ফাংশন।

বহু ইনপুটের ক্ষেত্রে, যেখানে প্রতিযোগিতামূলক উদ্দীপক এবং প্রতিবন্ধক আচরণ প্রদর্শিত হয়, লগ-ডোমেইন ইন্টিগ্রেটর $I_{1}$ এবং $I_{2}$ ব্যবহার করে আউটপুট কারেন্টের মাত্রা, $I_{o}$ , নিয়ন্ত্রণ করে ইনপুট কারেন্ট, $I_{i}$ এর একটি ফাংশন হিসেবে নিম্নরূপ:

$I_{o}=I_{i}\cdot {\sqrt {\frac {I_{1}}{I_{2}}}}.$ $I_{1}$ নিয়ন্ত্রণ করে যে $I_{i}$ কত দ্রুত আউটপুট ট্রানজিস্টরের গেট চার্জ করতে পারে। $I_{2}$ নিয়ন্ত্রণ করে আউটপুট $I_{o}$ কত দ্রুত সিঙ্ক হয়। এই প্রতিযোগিতামূলক প্রকৃতি প্রয়োজনীয় যাতে জীববৈজ্ঞানিক নিউরোট্রান্সমিটারদের আচরণ নকল করা যায়, যা নিউরনের ফায়ারিংকে উদ্দীপিত বা দমন করে।

সিনাপ্টিক মডেলগুলি প্রথম ধাপের লিনিয়ার ইন্টিগ্রেটর সহ লগ-ডোমেইন ফিল্টার ব্যবহার করে তৈরি হয়েছে যা উদ্দীপক পোস্ট-সিনাপ্টিক কারেন্ট (EPSC) এর এক্সপোনেনশিয়াল ক্ষয় মডেল করতে সক্ষম ^[১৩]। এটি প্রয়োজন যাতে জীববৈজ্ঞানিক স্পাইকের আকৃতি এবং সময় ধৈর্য বাস্তবসম্মত হয়। গেইনও স্বাধীনভাবে নিয়ন্ত্রিত হয় যা স্পাইক-রেট এবং স্পাইক-টাইমিং নির্ভর শেখার প্রক্রিয়ার জন্য দরকার।

উপরোক্ত সিনাপ্সগুলো শুধুমাত্র প্রিসিনাপ্টিক সোর্স থেকে কারেন্ট রিলে করে, এবং পলস স্পাইকের আকার পরিবর্তন করে। তবে এগুলো পূর্ববর্তী স্পাইকের কোনো মেমোরি রাখে না, এবং সময়গত গতিশীলতার ভিত্তিতে নিজেদের আচরণ মানিয়ে নিতে পারে না। এই ক্ষমতাগুলো প্রয়োজনীয় যদি নিউরোমরফিক সার্কিটগুলি জীববৈজ্ঞানিক নিউরাল নেটওয়ার্কের মতো শিখতে চায়।

হেব্বের ধারা অনুসারে, শেখা এবং মেমোরি সিনাপ্টিক স্তরে ঘটে বলে ধারণা করা হয় ^[১৪]। এটি শেখার প্রক্রিয়াকে দীর্ঘমেয়াদী নিউরোনাল অভিযোজনের সাথে যুক্ত করে, যেখানে প্রি- এবং পোস্টসিনাপ্টিক অবদানগুলি জৈব রাসায়নিক পরিবর্তনের মাধ্যমে শক্তিশালী বা দুর্বল হয়। এই তত্ত্বটি সাধারণত সংক্ষেপে বলা হয়, "যারা একসাথে ফায়ার করে, তারা একসাথে যুক্ত হয়।" কৃত্রিম নিউরাল নেটওয়ার্কগুলো এই জৈব রাসায়নিক "ওয়্যারিং" পরিবর্তনগুলোকে একটি একক প্যারামিটার, সিনাপ্টিক ওজন, $w_{pq}$ দিয়ে মডেল করে। হেব্বীয় সিনাপ্টিক ওজন প্লাস্টিসিটির দুটি মডেল হলো স্পাইক-রেট-নির্ভর প্লাস্টিসিটি (SRDP), এবং স্পাইক-টাইমিং-নির্ভর প্লাস্টিসিটি (STDP)। এই তত্ত্বের পর থেকে, জীববৈজ্ঞানিক নিউরনের কার্যকলাপে হেব্বীয় শেখার মডেলের মিল পাওয়া গেছে। এর একটি উদাহরণ হলো সিনাপ্টিক NMDA এবং AMPA রিসেপ্টর প্লাস্টিসিটি যা ক্যালসিয়াম ফ্লাক্স দ্বারা অভিযোজন ঘটায় ^[১৫]।

জৈবিক নিউরনে শেখা এবং দীর্ঘমেয়াদী মেমোরি NMDA চ্যানেল-প্ররোচিত অভিযোজনের মাধ্যমে হয়। NMDA রিসেপ্টর ভোল্টেজ-নির্ভর এবং ইনট্রাসেলুলার ক্যালসিয়াম আয়ন প্রবাহ নিয়ন্ত্রণ করে। প্রাণী গবেষণায় দেখা গেছে, যখন বহির্গামী ক্যালসিয়াম কমানো হয়, নিউরোনের সংবেদনশীলতা হ্রাস পায় ^[১৫]।

যেহেতু ক্যালসিয়ামের ঘনত্ব এক্সপোনেনশিয়ালি কমে, তাই এই আচরণ সহজেই সাবথ্রেশহোল্ড ট্রানজিস্টর ব্যবহার করে হার্ডওয়্যারে বাস্তবায়নযোগ্য। Rachmuth et al. (2011) একটি ক্যালসিয়াম নির্ভর জৈবিক আচরণের সার্কিট মডেল দেখিয়েছেন ^[১৬]। ক্যালসিয়াম সংকেত, $I_{Ca_{2+}}$ , AMPA এবং NMDA চ্যানেল কার্যক্রম নিয়ন্ত্রণ করে $V_{mem}$ নোডের মাধ্যমে ক্যালসিয়াম-নির্ভর STDP ও SRDP শেখার নিয়ম অনুযায়ী। এই শেখার নিয়মের আউটপুট হল সিনাপ্টিক ওজন, $w$ , যা সক্রিয় AMPA ও NMDA চ্যানেলের সংখ্যার অনুপাত। SRDP মডেল ওজনকে দুইটি স্টেট ভেরিয়েবল দ্বারা বর্ণনা করে, $\Omega$ যা আপডেট নিয়ম নিয়ন্ত্রণ করে, এবং $\eta$ যা শেখার হার নিয়ন্ত্রণ করে।

$dw=\eta ([Ca_{2+}])\cdot (\Omega ([Ca_{2+}])-\lambda w),$
এখানে $w$ হল সিনাপ্টিক ওজন, $\Omega ([Ca_{2+}])$ আপডেট নিয়ম, $\eta ([Ca_{2+}])$ শেখার হার, এবং $\lambda$ একটি ধ্রুবক যা ইনপুট না থাকলে ওজনকে স্যাচুরেশন থেকে মুক্ত রাখে। NMDA চ্যানেল ক্যালসিয়াম প্রবাহ, $I_{Ca}$ , নিয়ন্ত্রণ করে। NMDA রিসেপ্টরের ভোল্টেজ-নির্ভরতা $V_{mem}$ দ্বারা মডেল করা হয়, এবং চ্যানেলের গতি নিয়ন্ত্রণে একটি বড় ক্যাপাসিটার ব্যবহার করে ক্যালসিয়াম সময় ধৈর্য, $\tau _{Ca}$ বাড়ানো হয়। আউটপুট $I_{Ca}$ কারেন্ট মিরর ব্যবহার করে $\Omega$ ও $\eta$ সার্কিটে অনুলিপি করা হয় শেখার প্রক্রিয়া সম্পাদনের জন্য।

$\Omega$ সার্কিট $I_{Ca}$ কে থ্রেশোল্ড বায়াস $\theta _{LTP}$ এবং $\theta _{LTD}$ এর সাথে তুলনা করে, যা যথাক্রমে দীর্ঘমেয়াদী পোটেনসিয়েশন এবং দীর্ঘমেয়াদী ডিপ্রেশন নিয়ন্ত্রণ করে ডিফারেনশিয়াল পেয়ার সার্কিটের মাধ্যমে। ডিফারেনশিয়াল পেয়ারের আউটপুট আপডেট নিয়ম নির্ধারণ করে। এই $\Omega$ সার্কিট হিপোক্যাম্পাসে বিভিন্ন হেব্বীয় শেখার নিয়ম প্রদর্শন করেছে এবং সেরিবেলামে ব্যবহৃত অ্যান্টি-হেব্বীয় শেখার নিয়মও।

$\eta$ সার্কিট শুধুমাত্র তখনই শেখার আপডেট অনুমোদন করে যখন $I_{Ca}$ একটি নির্দিষ্ট থ্রেশোল্ড $\theta _{\eta }$ ছাড়িয়ে যায়। শেখার হার (LR) নিম্নরূপ মডেল করা হয়:

$\tau _{LR}\sim {\frac {\theta _{\eta }\cdot C_{\eta }}{I_{\eta }\cdot [Ca_{2+}]}},$
এখানে $\eta$ হল $[Ca_{2+}]$ -এর একটি ফাংশন যা শেখার হার নিয়ন্ত্রণ করে, $C_{\eta }$ হল $\eta$ সার্কিটের ক্যাপাসিট্যান্স, এবং $\theta _{\eta }$ হল কম্পারেটরের থ্রেশোল্ড ভোল্টেজ। এই ফাংশনটি দেখায় যে $\theta _{\eta }$ কে একটি উচ্চ $[Ca_{2+}]$ বজায় রাখার জন্য বায়াস করা প্রয়োজন SRDP সিমুলেট করার জন্য। একটি লিকেজ কারেন্ট, $I_{LEAK}$ , অন্তর্ভুক্ত করা হয়েছে $V_{\eta }$ কে $\eta _{REST}$ এ নিষ্ক্রিয় সময়ে ড্রেন করার জন্য।

নিউরন সিমুলেশন পরিবেশ

পরিচিতি

নিউরন একটি সিমুলেশন পরিবেশ। যার মাধ্যমে আপনি জীববৈজ্ঞানিক এবং কৃত্রিম নিউরোনের মধ্যে আয়ন ও অ্যাকশন পটেনশিয়ালের বিস্তার সিমুলেট করতে পারেন পাশাপাশি নিউরোনের নেটওয়ার্কগুলিতেও ^[১৭]। নিউরোন কোষের অংশগুলো সংজ্ঞায়িত ও সংযুক্ত করে ব্যবহারকারী একটি মডেল জ্যামিতি নির্ধারণ করতে পারে। যেগুলোতে বিভিন্ন মেকানিজম যেমন আয়ন চ্যানেল, ক্ল্যাম্প এবং সিন্যাপস যোগ করা যায়। নিউরন-এর সঙ্গে ইন্টারঅ্যাক্ট করার জন্য ব্যবহারকারী গ্রাফিকাল ইউজার ইন্টারফেস (GUI) অথবা একটি প্রোগ্রামিং ভাষা hoc (যা C এর মতো সিনট্যাক্সের ভাষা) অথবা পাইথন ইন্টারপ্রিটার ব্যবহার করতে পারে। GUI-তে সবচেয়ে ব্যবহৃত বৈশিষ্ট্যের একটি বড় নির্বাচন থাকে। ডান পাশের ছবিতে এর একটি উদাহরণ দেখানো হয়েছে। অপরদিকে প্রোগ্রামিং ভাষাগুলো ব্যবহার করে মডেলে আরও নির্দিষ্ট মেকানিজম যোগ করা যায় পাশাপাশি অটোমেশন করা যায়। তদুপরি, ব্যবহারকারীরা কাস্টম মেকানিজম তৈরি করতে পারেন NMODL প্রোগ্রামিং ভাষার মাধ্যমে, যা MODL-এর এক্সটেনশন এবং NBSR (ন্যাশনাল বায়োমেডিকেল সিমুলেশন রিসোর্স) কর্তৃক উন্নত। এই নতুন মেকানিজমগুলো কম্পাইল করে GUI বা ইন্টারপ্রিটার দ্বারা মডেলে যোগ করা যায়।

নিউরন মূলত জন ডব্লিউ. মুর কর্তৃক ডিউক বিশ্ববিদ্যালয়ে মাইকেল হাইন্সের সহযোগিতায় উন্নত করা হয়েছিল। বর্তমানে এটি অনেক ইনস্টিটিউট ও বিশ্ববিদ্যালয়ে শিক্ষা এবং গবেষণার জন্য ব্যবহৃত হয়। অফিসিয়াল ওয়েবসাইট, নিউরন ফোরাম এবং বিভিন্ন টিউটোরিয়াল ও গাইডসহ প্রচুর তথ্য পাওয়া যায়। ২০০৬ সালে নিউরন-এর জন্য "দ্য নিউরন বই" নামে একটি কর্তৃত্বপূর্ণ রেফারেন্স বই প্রকাশিত হয়েছিল ^[১৮]। পরবর্তী অধ্যায়গুলো পড়তে এবং নিউরন ব্যবহার করতে নিউরোনের ফিজিওলজি সম্পর্কে কিছু প্রাথমিক ধারণা থাকা ভালো। নিউরোন সম্পর্কে তথ্যের জন্য WikiBook অধ্যায় বা খানের একাডেমির উন্নত নার্ভাস সিস্টেম ফিজিওলজি ভিডিওগুলো দেখতে পারেন।

আমরা এখানে নিউরন-এর কমান্ড বা নির্দিষ্ট ব্যবহারবিধি আলোচনা করব না কারণ এই ডকুমেন্ট একটি টিউটোরিয়াল নয়, বরং নিউরন-এর সম্ভাবনা ও মডেল গঠনের একটি সারসংক্ষেপ। বাস্তবায়নের জন্য অফিসিয়াল ওয়েবসাইটের টিউটোরিয়াল ও ডকুমেন্টেশন দেখতে পারেন ^[১৭]।

মডেল তৈরি

একক কোষ জ্যামিতি

প্রথমে আমরা একটি একক জীববৈজ্ঞানিক নিউরোনের মডেল জ্যামিতি তৈরি নিয়ে আলোচনা করব। ডান পাশের ছবিতে একটি নিউরোনের স্কিম্যাটিক দেখানো হয়েছে। নিচের কোডে hoc ভাষায় একটি মাল্টি-কমপার্টমেন্ট কোষ যেখানে একটী সোমা এবং দুইটি ডেনড্রাইট আছে, তা দেখানো হয়েছে।

load_file("nrngui.hoc")// সোমা অবজেক্ট এবং ২টি ডেনড্রাইট অবজেক্টের অ্যারে তৈরি ndend = 2 create soma, dend[ndend] access soma

// সোমা ও ডেনড্রাইটের প্রাথমিক মান নির্ধারণ soma { nseg = 1 diam = 18.8 L = 18.8 Ra = 123.0 insert hh }

dend[0] { nseg = 5 diam = 3.18 L = 701.9 Ra = 123 insert pas }

dend[1] { nseg = 5 diam = 2.0 L = 549.1 Ra = 123 insert pas }

// ডেনড্রাইটগুলোকে সোমার সাথে সংযুক্ত করা connect dend , soma(0) connect dend , soma(1)

// সোমাতে একটি ইলেকট্রোড তৈরি করা objectvar stim stim = new IClamp(0.5)

// উদ্দীপনার প্যারামিটার সেট করা: delay, duration, amplitude stim.del = 100 stim.dur = 100 stim.amp = 0.1

// সিমুলেশনের শেষ সময় নির্ধারণ tstop = 300

সেকশন

নিউরন-এ বেসিক নির্মাণ ব্লকগুলোকে “সেকশন” বলা হয়। প্রাথমিকভাবে একটি সেকশন একটি সিলিন্ড্রিক্যাল টিউব প্রতিনিধিত্ব করে যার নিজস্ব দৈর্ঘ্য ও ব্যাসার্ধ থাকে। একটি সেকশন বিভিন্ন নিউরোন অংশ যেমন সোমা, ডেনড্রাইট বা অ্যাক্সন হিসেবে ব্যবহার করা যায়, যেখানে সংশ্লিষ্ট মেকানিজম যেমন আয়ন চ্যানেল, সিন্যাপস সংযোগ বা কৃত্রিম উদ্দীপনা যোগ করা যায়। সেকশনগুলোকে একসাথে সংযুক্ত করে একটি নিউরোন কোষ তৈরি করা যায়, তবে কোনো লুপ থাকতে পারে না। উপরের কোডের মাধ্যমে তৈরি নিউরোনের একটি ভিজ্যুয়ালাইজেশন ডান পাশের ছবিতে দেখানো হয়েছে।

সেগমেন্ট

অ্যাকশন পটেনশিয়ালের বিস্তার মডেল করার জন্য সেকশনগুলোকে ছোট ছোট অংশে ভাগ করা হয়, যেগুলোকে “সেগমেন্টস” বলা হয়। যেখানে সেকশনগুলো একাধিক সেগমেন্টে ভাগ করা থাকে, তাকে “মাল্টি-কমপার্টমেন্ট” মডেল বলা হয়। সেগমেন্টের সংখ্যা বাড়ালে স্পেশাল ডিসক্রিটাইজেশনের গ্রানুলারিটি বাড়ে এবং ফলস্বরূপ পটেনশিয়ালের মডেলিং আরও নির্ভুল হয়। ডিফল্ট হিসেবে একটি সেকশন এক সেগমেন্ট নিয়ে গঠিত।

মেমব্রেন মেকানিজম

ডিফল্ট সেটিংসে সেকশনে কোনো আয়ন চ্যানেল থাকে না, তবে ব্যবহারকারী নিজে যোগ করতে পারে ^[১৯]। এখানে দুটি ধরনের বিল্ট-ইন আয়ন চ্যানেল মেমব্রেন মডেল রয়েছে: প্যাসিভ আয়ন চ্যানেল মডেল এবং Hodgkin-Huxley মডেল, যা প্যাসিভ ও ভোল্টেজ-গেটেড চ্যানেলের সংমিশ্রণ। যদি এগুলো যথেষ্ট না হয়, ব্যবহারকারী নিজস্ব মেমব্রেন মেকানিজম NMODL প্রোগ্রামিং ভাষায় তৈরি করতে পারে।

পয়েন্ট প্রসেস

মেমব্রেন মেকানিজমের বাইরে, “পয়েন্ট প্রসেস” নামে লোকাল মেকানিজম রয়েছে যেগুলো সেকশনে যোগ করা যায়। যেমন সিন্যাপস (ডান পাশের ছবিতে দেখানো হয়েছে) এবং ভোল্টেজ ও কারেন্ট ক্ল্যাম্প। ব্যবহারকারী ইচ্ছা করলে NMODL ব্যবহার করে নিজস্ব পয়েন্ট প্রসেস তৈরি করতে পারেন। পয়েন্ট প্রসেস এবং মেমব্রেন মেকানিজমের মধ্যে মূল পার্থক্য হল, পয়েন্ট প্রসেসের অবস্থান ব্যবহারকারী নির্দিষ্ট করতে পারে ^[১৯]।

আউটপুট এবং ভিজ্যুয়ালাইজেশন

সময়ভিত্তিক হিসাব করা মানগুলো ট্র্যাক ও প্লট করা যায়, যেমন একটি নির্দিষ্ট সেগমেন্টের ভোল্টেজ বনাম সময়ের গ্রাফ (উপরের GUI স্ক্রিনশটে দেখা যায়)। এনিমেশনও তৈরি করা যায়, যেমন অ্যাক্সনের ভোল্টেজ বণ্টন সময়ের সাথে কীভাবে পরিবর্তিত হচ্ছে তা দেখানো। লক্ষ্য করুন, পরিমাপগুলো সেগমেন্টের কেন্দ্রে এবং সেকশনের সীমানায়ই করা হয়।

কোষ নেটওয়ার্ক তৈরি

একক কোষের আয়ন ঘনত্ব মডেলিং ছাড়াও কোষগুলো সংযুক্ত করে নিউরোন নেটওয়ার্ক সিমুলেট করা যায়। এ জন্য ব্যবহারকারী পোস্টসিনাপটিক নিউরোনে সিন্যাপস (পয়েন্ট প্রসেস) যোগ করবে এবং তারপর “নেটকোন” অবজেক্ট তৈরি করবে যা প্রিসিনাপটিক ও পোস্টসিনাপটিক নিউরোনের সংযোগ করবে। বিভিন্ন ধরনের সিন্যাপস যেমন AlphaSynapse (যেখানে সিন্যাপটিক কনডাকট্যান্স আলফা ফাংশন অনুযায়ী হ্রাস পায়) এবং ExpSyn (যেখানে কনডাকট্যান্স এক্সপোনেনশিয়ালি হ্রাস পায়) ব্যবহার করা যায়। NMODL দিয়ে নিজস্ব সিন্যাপস তৈরি করাও সম্ভব। নেটকোন এর প্যারামিটার যেমন থ্রেশহোল্ড ও ডিলে ব্যবহার করে নির্ধারণ করা হয় কখন প্রিসিনাপটিক নিউরোন পোস্টসিনাপটিক পটেনশিয়াল সৃষ্টি করবে।

কৃত্রিম নিউরোন

জৈব নিউরোনের বাইরে নিউরন এ “কৃত্রিম” নিউরোন সিমুলেশন করা যায়। এদের কোন স্পেসিয়াল এক্সটেন্ট থাকে না এবং গতিবিদ্যা অনেক সহজ। নিউরন এ কৃত্রিম কোষের জন্য বিভিন্ন ইন্টিগ্রেটর আছে যা জৈব নিউরোনের গতিবিদ্যার সরলীকরণ। ^[২০]। গণনাকাল কমাতে নিউরন ইভেন্ট-ড্রিভেন সিমুলেশন সাপোর্ট করে যা স্পাইক-ট্রিগারড সিন্যাপটিক ট্রান্সমিশন দ্রুত করে। জৈব এবং কৃত্রিম নিউরোন মিশ্রিত নেটওয়ার্কে হাইব্রিড সিমুলেশন চালানো যায়, ফলে সময় বাঁচে ^[২১]। ব্যবহারকারী NMODL দিয়ে আরও কৃত্রিম নিউরোন ক্লাস যোগ করতে পারে।

পাইথনের সঙ্গে নিউরন

১৯৮৪ সাল থেকে নিউরন সিমুলেশন তৈরি ও চালানোর জন্য hoc ইন্টারপ্রেটার সরবরাহ করে আসছে। hoc ভাষাটি নিউরন-এর সঙ্গে ব্যবহারের জন্য সম্প্রসারিত ও রক্ষণাবেক্ষণ করা হয়েছে, তবে এই রক্ষণাবেক্ষণ অনেক সময়সাপেক্ষ হওয়ায় এবং hoc ভাষাটি শুধুমাত্র নিউরন ব্যবহারকারীদের মধ্যে সীমাবদ্ধ একটি বর্জিত ভাষা হিসেবে প্রমাণিত হওয়ায়, নিউরন-এর ডেভেলপাররা একটি আধুনিক প্রোগ্রামিং ভাষাকে নিউরন-এর ইন্টারপ্রেটার হিসেবে ব্যবহারের আকাঙ্ক্ষা ব্যক্ত করেন। পাইথন বিজ্ঞানভিত্তিক কম্পিউটিংয়ে ব্যাপক জনপ্রিয় হয়ে উঠেছে, যেখানে অনেক ব্যবহারকারী পুনঃব্যবহারযোগ্য কোডসহ প্যাকেজ তৈরি করে, তাই hoc-এর তুলনায় এটি নিউরন-এর ইন্টারপ্রেটার হিসেবে অধিক আকর্ষণীয় হয়েছে ^[২২]। নিউরন-এর সঙ্গে পাইথন ব্যবহার করার তিনটি উপায় রয়েছে। প্রথমটি হলো নিউরন চালানো টার্মিনালে যেখানে ইন্টারেক্টিভ পাইথন কমান্ড গ্রহণ করে। দ্বিতীয়টি হলো hoc ইন্টারপ্রেটারের মাধ্যমে নিউরন চালানো এবং hoc-এর বিশেষ কমান্ডের মাধ্যমে পাইথন কমান্ড ব্যবহার করা। তৃতীয়টি হলো নিউরন কে পাইথনের জন্য একটি এক্সটেনশন মডিউল হিসেবে ব্যবহার করা, যার ফলে নিউরন মডিউলকে পাইথন বা Iপাইথন স্ক্রিপ্টে ইম্পোর্ট করা যায়।

ইনস্টলেশন

প্রথম ও দ্বিতীয় পদ্ধতি ব্যবহার করার জন্য, অর্থাৎ নিউরন-এ এমবেডেড পাইথন ব্যবহার করার জন্য সরল ইনস্টলেশন যথেষ্ট। তবে তৃতীয় পদ্ধতিতে, অর্থাৎ নিউরন কে পাইথনের এক্সটেনশন মডিউল হিসেবে ব্যবহার করার জন্য, নিউরন এর সোর্স কোড থেকে বিল্ড করে নিউরন এর শেয়ার্ড লাইব্রেরি ইনস্টল করতে হয়, যা এই ইনস্টলেশন গাইডে বিস্তারিত ব্যাখ্যা করা হয়েছে।

পাইথনে নিউরন কমান্ডসমূহ

নিউরন মূলত hoc ইন্টারপ্রেটার দিয়ে তৈরি হওয়ায়, ব্যবহারকারীকে এখনও পাইথনের মধ্যে hoc ফাংশন ও ক্লাসগুলো স্পষ্টভাবে কল করতে হয়। hoc-তে থাকা সব ফাংশন ও ক্লাস পাইথনের “নিউরন” মডিউলের মাধ্যমে অ্যাক্সেসযোগ্য, তা হোক নিউরন-এ এমবেডেড পাইথন বা নিউরন-এর এক্সটেনশন মডিউল হিসেবে ব্যবহার। hoc এবং পাইথনের মধ্যে নিউরন কমান্ডের মধ্যে মাত্র কিছু ছোটখাট পার্থক্য রয়েছে, তাই ব্যবহারকারীদের জন্য এক থেকে অন্য ভাষায় স্থানান্তর সহজ হওয়া উচিত ^[২২]। নিউরন-এ পাইথন ব্যবহার করার কিছু বড় সুবিধা আছে hoc-এর তুলনায়। প্রধান সুবিধাগুলোর মধ্যে একটি হলো পাইথন সম্পূর্ণ অবজেক্ট-ওরিয়েন্টেড ভাষা হওয়ায় এটি অনেক বেশি কার্যকারিতা প্রদান করে এবং বিজ্ঞানের জন্য বিস্তৃত বিশ্লেষণ সরঞ্জামের স্যুট উপলব্ধ। এছাড়াও, NMODL স্ক্রিপ্ট থেকে ব্যবহারকারী-সংজ্ঞায়িত মেকানিজম লোড করাও সহজ হয়েছে, যা নিউরন-কে বিশেষায়িত মেকানিজমের সিমুলেশনের জন্য আরও আকর্ষণীয় করে তোলে ^[২২]। নিউরন এবং পাইথনের সমন্বয় সম্পর্কিত আরও বিস্তারিত তথ্য পাওয়া যাবে এখানে।

টিউটোরিয়াল

নিউরন শুরু করার জন্য অনলাইনে বহু টিউটোরিয়াল উপলব্ধ আছে, যাদের মধ্যে দুটি নিচে তালিকাভুক্ত করা হলো।

প্রথম টিউটোরিয়ালে আপনি শুরু করবেন একটি একক কম্পার্টমেন্ট সেল তৈরি করে এবং শেষ করবেন ডান দিকের ছবিতে প্রদর্শিত একটি নিউরনের নেটওয়ার্ক তৈরি করে, যা কাস্টম সেল মেকানিজম সম্বলিত। এই সময়ে আপনাকে নিউরন-এর টেমপ্লেট, অটোমেশন, গণনা সময় অপ্টিমাইজেশন এবং ফলাফলগত তথ্য আহরণের বৈশিষ্ট্যগুলি নিয়ে গাইড করা হবে। টিউটোরিয়ালে hoc কমান্ড ব্যবহার করা হয়েছে, তবে পাইথনে পদ্ধতিগুলো প্রায় একই।

দ্বিতীয় টিউটোরিয়ালে দেখানো হয়েছে কিভাবে একটি প্যাসিভ সেল মেমব্রেন এবং একটি সাইনাপটিক স্টিমুলাস সহ সেল তৈরি করতে হয়, এবং কিভাবে পাইথন মডিউল মাটপ্লোটলিভ ব্যবহার করে ফলাফল ভিজ্যুয়ালাইজ করা যায়।

অতিরিক্ত পাঠ

নিউরন পরিচিতির এই অংশে যা বলা হয়েছে তার বাইরে আরও অনেক বিকল্প উপলব্ধ রয়েছে, যেগুলো নিয়মিত ডেভেলপাররা সম্প্রসারিত এবং উন্নত করছেন। নিউরন সম্পর্কে বিস্তৃত ব্যাখ্যা পাওয়া যায় “দ্য নিউরন বুক” ^[১৮] - এটি অফিসিয়াল রেফারেন্স বই। এছাড়াও অফিসিয়াল ওয়েবসাইটে প্রচুর তথ্য এবং অন্যান্য উৎসের লিঙ্ক রয়েছে।

তথ্যসূত্র

↑ T. Haslwanter (২০১২)। "Hodgkin-Huxley Simulations [Python]"। private communications।
↑ T. Haslwanter (২০১২)। "Fitzhugh-Nagumo Model [Python]"। private communications।
↑ T. Anastasio (২০১০)। "Tutorial on Neural systems Modeling"।
↑ Europe spent €600 million to recreate the human brain in a computer. How did it go?
↑ E Aydiner, AM Vural, B Ozcelik, K Kiymac, U Tan (২০০৩), A simple chaotic neuron model: stochastic behavior of neural networks
↑ WM Siebert (১৯৬৫), Some implications of the stochastic behavior of primary auditory neurons
↑ G Indiveri, F Stefanini, E Chicca (২০১০), Spike-based learning with a generalized integrate and fire silicon neuron
↑ ^৮.০ ^৮.১ RJ Douglas, MA Mahowald (২০০৩), Silicon Neuron
↑ ^৯.০ ^৯.১ CA Mead (১৯৮৯), Analog VLSI and Neural Systems
↑ E Chicca, G Indiveri, R Douglas (২০০৪), An event-based VLSI network of Integrate-and-Fire Neurons
↑ G Indiveri, E Chicca, R Douglas (২০০৪), A VLSI reconfigurable network of integrate-and-fire neurons with spike-based learning synapses
↑ J Lazzaro, J Wawrzynek (১৯৯৩), Low-Power Silicon Neurons, Axons, and Synapses
↑ S Mitra, G Indiveri, RE Cummings (২০১০), Synthesis of log-domain integrators for silicon synapses with global parametric control
↑ DO Hebb (১৯৪৯), The organization of behavior
↑ ^১৫.০ ^১৫.১ PA Koplas, RL Rosenberg, GS Oxford (১৯৯৭), The role of calcium in the densensitization of capsaisin responses in rat dorsal root ganglion neurons
↑ G Rachmuth, HZ Shouval, MF Bear, CS Poon (২০১১), A biophysically-based neuromorphic model of spike rate-timing-dependent plasticity
↑ ^১৭.০ ^১৭.১ Neuron, for empirically-based simulations of neurons and networks of neurons
↑ ^১৮.০ ^১৮.১ Nicholas T. Carnevale, Michael L. Hines (২০০৯), The NEURON book
↑ ^১৯.০ ^১৯.১ NEURON Tutorial 1
↑ M.L. Hines and N.T. Carnevale (২০০২), The NEURON Simulation Environment
↑ Romain Brette, Michelle Rudolph, Ted Carnevale, Michael Hines, David Beeman, James M. Bower, Markus Diesmann, Abigail Morrison, Philip H. Goodman, Frederick C. Harris, Jr., Milind Zirpe, Thomas Natschläger, Dejan Pecevski, Bard Ermentrout, Mikael Djurfeldt, Anders Lansner, Olivier Rochel, Thierry Vieville, Eilif Muller, Andrew P. Davison, Sami El Boustani, Alain Destexhe (২০০২), Simulation of networks of spiking neurons: A review of tools and strategies
↑ ^২২.০ ^২২.১ ^২২.২ Hines ML, Davison AP, Muller E. NEURON and Python. Frontiers in Neuroinformatics. 2009;3:1. doi:10.3389/neuro.11.001.2009. (২০০৯), NEURON and Python

টেমপ্লেট:অধ্যায় নেভিগেশন

[1] T. Haslwanter (২০১২)। "Hodgkin-Huxley Simulations [Python]"। private communications।

[2] T. Haslwanter (২০১২)। "Fitzhugh-Nagumo Model [Python]"। private communications।

[anastasio-3] T. Anastasio (২০১০)। "Tutorial on Neural systems Modeling"।

[HBP_article-4] Europe spent €600 million to recreate the human brain in a computer. How did it go?

[aydiner2003-5] E Aydiner, AM Vural, B Ozcelik, K Kiymac, U Tan (২০০৩), A simple chaotic neuron model: stochastic behavior of neural networks

[siebert1965-6] WM Siebert (১৯৬৫), Some implications of the stochastic behavior of primary auditory neurons

[indiveri2010-7] G Indiveri, F Stefanini, E Chicca (২০১০), Spike-based learning with a generalized integrate and fire silicon neuron

[douglaspatent-8] ৮.০ ^৮.১ RJ Douglas, MA Mahowald (২০০৩), Silicon Neuron

[mead1989-9] ৯.০ ^৯.১ CA Mead (১৯৮৯), Analog VLSI and Neural Systems

[douglas2003-10] E Chicca, G Indiveri, R Douglas (২০০৪), An event-based VLSI network of Integrate-and-Fire Neurons

[indiveri-11] G Indiveri, E Chicca, R Douglas (২০০৪), A VLSI reconfigurable network of integrate-and-fire neurons with spike-based learning synapses

[lazzaro1993-12] J Lazzaro, J Wawrzynek (১৯৯৩), Low-Power Silicon Neurons, Axons, and Synapses

[mitra2010-13] S Mitra, G Indiveri, RE Cummings (২০১০), Synthesis of log-domain integrators for silicon synapses with global parametric control

[hebb1949-14] DO Hebb (১৯৪৯), The organization of behavior

[koplas1997-15] ১৫.০ ^১৫.১ PA Koplas, RL Rosenberg, GS Oxford (১৯৯৭), The role of calcium in the densensitization of capsaisin responses in rat dorsal root ganglion neurons

[rachmuth2011-16] G Rachmuth, HZ Shouval, MF Bear, CS Poon (২০১১), A biophysically-based neuromorphic model of spike rate-timing-dependent plasticity

[neuron_webpage-17] ১৭.০ ^১৭.১ Neuron, for empirically-based simulations of neurons and networks of neurons

[neuron_book-18] ১৮.০ ^১৮.১ Nicholas T. Carnevale, Michael L. Hines (২০০৯), The NEURON book

[tutorial1-19] ১৯.০ ^১৯.১ NEURON Tutorial 1

[neuron_paper-20] M.L. Hines and N.T. Carnevale (২০০২), The NEURON Simulation Environment

[neuron_paper2-21] Romain Brette, Michelle Rudolph, Ted Carnevale, Michael Hines, David Beeman, James M. Bower, Markus Diesmann, Abigail Morrison, Philip H. Goodman, Frederick C. Harris, Jr., Milind Zirpe, Thomas Natschläger, Dejan Pecevski, Bard Ermentrout, Mikael Djurfeldt, Anders Lansner, Olivier Rochel, Thierry Vieville, Eilif Muller, Andrew P. Davison, Sami El Boustani, Alain Destexhe (২০০২), Simulation of networks of spiking neurons: A review of tools and strategies

[neuron_paper3-22] ২২.০ ^২২.১ ^২২.২ Hines ML, Davison AP, Muller E. NEURON and Python. Frontiers in Neuroinformatics. 2009;3:1. doi:10.3389/neuro.11.001.2009. (২০০৯), NEURON and Python

[১]

[২]

[৩]

[৪]

[৫]

[৬]

[৭]

[৮]

[৯]

[১০]

[১১]

[১২]

[১৩]

[১৪]

[১৫]

[১৬]

[১৭]

[১৮]

[১৯]

[২০]

[২১]

[২২]