본 논문은 인간 뉴런의 다양한 계산적 특성을 다중 모드 전기생리학적, 전사체학적, 형태학적 데이터를 통해 특징짓고, 뇌 기능의 기본 메커니즘에 대한 이해를 높일 수 있는 생물학적으로 사실적인 뉴런 모델을 구성하고 검증하기 위한 기반을 제공합니다. 기존 모델링 접근 방식은 제한적인 실험적 뉴런 데이터의 가용성과 고유한 변동성으로 인해 제약을 받았습니다. 본 논문에서는 해석 가능한 뉴런 특징의 연속적인 주파수 변조 임베딩에서 전류 주입에 의해 유도된 체세포 전압 반응으로의 매핑을 학습하는 신경 연산자 프레임워크인 NOBLE을 제시합니다. 생물물리학적으로 사실적인 뉴런 모델에서 생성된 데이터로 훈련된 NOBLE은 고유한 실험적 변동성을 고려하여 신경 역동성의 분포를 예측합니다. 임베딩 공간 내에서 보간하여 실험적으로 관찰된 반응과 일치하는 역동성을 가진 모델을 제공합니다. NOBLE은 실제 실험 데이터로 검증된 최초의 확장된 딥 러닝 프레임워크이며, 시행 간 변동성을 보이는 합성 뉴런을 효율적으로 생성하고 수치 해결사보다 4200배 빠른 속도를 달성합니다. 결론적으로 NOBLE은 기본적인 신경 특성을 포착하여 세포 구성과 계산, 뉴로모픽 아키텍처, 대규모 뇌 회로 및 일반적인 NeuroAI 응용 프로그램에 대한 이해를 높이는 데 기여합니다.
