سهراب مجیدی فر

در چند دهه‌ی گذشته، مدل‌سازی رفتار مغز انسان توجه بسیاری از محققین به خود جلب کرده است. میلیاردها نورون ساختار اصلی مغز را تشکیل می‌دهند و رفتار این نورون‌ها را می‌توان با برخی از معادله‌های ریاضی توصیف کرد. پیچیدگی این معادله‌ها به شباهت بیولوژیکی یا پیچیدگی محاسباتی مدل‌های عصبی بستگی دارد. برخی از این مدل‌های عصبی بیولوژیکی‌تر و برخی پاسخ گرا تر هستند. در مدل‌های عصبی ترکیبی، مزایای هر دو نوع مدل ترکیب می‌شوند. مدل‌های ریاضی نورون‌ها بیشتر عناصر غیرخطی پیچیده‌ای هستند که پیاده‌سازی و تحلیل آن‌ها دشوار است و می‌تواند به افزایش هزینه و پیچیدگی مدارهای عصبی مصنوعی بر پایه‌ی این مدل‌ها بینجامد. مدل‌های عصبی بسیاری مانند موریس - لکار، فیتزهاگ - ناگومو ، ﺍﯾژیکویچ (EM) و هیندمارش-رز (HR) برای توصیف رفتار نورون ارائه شده است که نسخه‌ای کم‌تر پیچیده از مدل هاجکین-هاکسلی هستند. مدل‌های نورونی برای هدف‌های گوناگون ارائه شده‌اند، برای نمونه: • بررسی ساختار نورون‌های مغزی و شناسایی بیمارهای مرتبط با نورون‌ها همانند: پارکینسون، آلزایمر و غیره. • الگو های نورونی به‌کار برده شده در توسعه کوچک مقیاس مغزهای سخت‌افزاری و نرم‌افزاری. بنابراین با توجه به کاربردهای بیان شده همواره مطالعه‌های گسترده‌ای روی ارائه مدل‌های نورونی بهینه شده، پیاده‌سازی سخت‌افزاری و نرم‌افزاری و افزایش کاربردها در حال انجام است. هدف از این تحقیق پیاده‌سازی سخت‌افزاری مدل نورونی هیبریدی FitzHugh-Rinzel (FHR) که ترکیبی از دو مدل نورونی فیتزهاگ- ناگومو و پینسکلی -رینزل است که رفتار دینامیکی غنی را دربر می‌گیرد و هزینه‌ی پیاده‌سازی سخت‌افزاری آن نسبت به مدل پیاده‌سازی اصلی کاهش یافته است.