Список компаний по скупке плат

1. DETALTORG

Россия, Москва, Гончарная улица, 26к1

Покупаем на выгодных условиях: радиодетали, микросхемы, приборы. Радиодетали почтой. Скупка по Всей России.

2. МитиноТорг

Россия, Москва, Пятницкое шоссе, 18, оф. 491

Покупаем радиодетали, техническое серебро, золото, платину, палладий, вычислительную технику, авиационный провод.

3. Микконт на Скаковой

Россия, Москва, Скаковая аллея, 7

Купим у Вас радиодетали :разъемы и микросхемы, провода и кабели, радиолампы и реле,разъемы и соединители, транзисторы и резисторы, конденсаторы, други…

4. Микконт на Винокурова

Россия, Москва, улица Винокурова, 12к1

Купим у Вас радиодетали :разъемы и микросхемы, провода и кабели, радиолампы и реле,разъемы и соединители, транзисторы и резисторы, конденсаторы, други…

5. Микконт на Пионерской

Россия, Москва, Большая Пионерская улица, 4 стр1 М

Купим у Вас радиодетали :разъемы и микросхемы, провода и кабели, радиолампы и реле,разъемы и соединители, транзисторы и резисторы, конденсаторы, други…

6. Радиолом-Москва

Россия, Москва, Минская улица, 22

Радиолом-Москва принимает радиодетали, платы, приборы и электронный лом в Москве и по почте.

7. скупка-радиодеталей.рф

Россия, Москва, Балаклавский проспект, 12к3

Скупка радиодеталей.рф на рынке драгоценных металлов с 1992 года, работаем по всей России и странам СНГ

8. skupkaradiodetali.ru

Россия, Москва, Коровинское шоссе, 2А

Покупаем все виды радиодеталей и приборы с содержанием драгметаллов в Москве.

9. МОС-ТОРГ

Россия, Москва, Хорошёвское шоссе, 35к1 офис 403

Купим Ваши радиодетали по максимально возможной цене!

Не нашли нужную компанию? Вы можете добавить ее.

13. радиодеталь78

Россия, Москва, Осенний бульвар, 15

У нас Вы можете продать радиодетали по очень выгодным ценам. ОПТОВЫМ и ПОСТОЯННЫМ клиентам до + 15% от стартовой цены!!!! 

14. МеталКом

Россия, Москва, Малая Ботаническая улица, 14 , оф. 21

Скупка радиодеталей, радиолома, цветных и редких металлов на всей территории России и странах ближнего зарубежья.

15. Альфа Металл

Россия, Москва, Ленинградский проспект, 7с1 оф. 201

Скупка ювелирного лома и радиодеталей, содержащие драгоценные металлы — золото, серебро, платину и палладий в Москве и по всей России. Продаем аффинаж…

20. iradiodetali.ru

Россия, Москва, улица Лескова, 23

Скупка радиодеталей содержащих драгметаллы дорого. Покупка радиолома с драгоценными металлами в компании iradiodetali.ru

Приём микросхем 155,172,555,565 серий по ценам, значительно превышающим среднерыночные

Цены в каталоге действительны на 16.08.2021г.

На данной странице представлены микросхемы 155 серии и подобные в чёрном и коричневом пластиковых корпусах. Наша компания осуществляет приём микросхем других серий по высоким ценам от частных лиц на постоянной основе более 6 лет. Вы можете продать радиодетали надёжно и безопасно для Вас.

Стоит отметить, что цена на 155 серию и другие подобные рассчитывается по весу микросхем, когда детали поступают в наш офис на оценку специалистам. Нам часто задают один и тот же вопрос: У меня есть примерно грамм 50 конденсаторов КМ, грамм 200-400 микросхем 155 серии и немного других деталей. Можно прислать их в посылке?

Отвечаем всем: Да, можно. Присылайте, сколько есть. Расчёт будет произведён всегда и в полном объёме. Наибольшую цену имеют микросхемы 565,555,155 серий с жёлтой (позолоченной) подложкой-пластиной внутри. Если Вы хотите получить максимальную выгоду от продажи, то каждую МС необходимо раскусывать и смотреть наличие жёлтой пластинки-подложки, так как и в 155,555 серий часто встречаются

Цена на микросхемы данных серий напрямую зависит от года выпуска, завода-изготовителя и условий приёмки (военная, гражданская и так далее).

Также МС 155, 172, 176, 555, 565 серий и других подобных серий перед отправкой в посылке Почтой России необходимо срубать с плат и только в таком виде, без самих плат, отправлять в нашу компанию. Так как отправка на платах ведёт к удорожанию посылки из-за большего веса и если в посылке будут отправлены только данные микросхемы на платах. Если плат с данными микросхемами (МС) немного, до 5-7 единиц (плат), то присылайте МС на платах как есть вместе с другими радиодеталями и компонентами.

Часто попадаются платы, где находятся часть микросхем с желтыми выводами в керамическом корпусе и часть микросхем 155 серии и подобных в чёрном пластиковом корпусе. Такие платы можно присылать как есть, не снимая деталей с плат.

Подсчёт в этом случае будет произведён после того, как наши специалисты демонтируют МС с плат. Керамику (белую, розовую), 133, 134 серии и подобные подсчитают поштучно, МС в чёрном пластиковом корпусе взвесят и сделают осмотр маркировок данных МС. Цена от этого не изменится в меньшую сторону.

Дополнительную информацию по микросхемам смотрите на следующих страницах:

Фото и цены на микросхемы

Внимание! При комлектовании посылки, микросхемы в чёрном пластиковом корпусе не смешивать с микросхемами в керамическом корпусе. Кладите в отдельные пакеты.

Цены в каталоге действительны на 16.08.2021г.

Скупка радиодеталей (радиолома) в Челябинске

Актуальный прайс-лист на 16.08.2021

По всем вопросам обращаться по телефону:

• +7 (908) 820-19-80 Дмитрий.

Работаем Пн-Пт: с 9:00 до 18:00. Суббота, Воскресение выходной.
Также работаем выходные дни по предварительной договоренности. Звоните.

Наша компания «Лом74» принимает радиолом в Челябинске по выгодным ценам. Если у вас сохранилась морально устаревшая техника времен СССР или более позднего производства, обменяйте ее на деньги. Мы купим б/у радиодетали в любом количестве, предложив вам прозрачную схему купли-продажи. Специалисты компании имеют внушительный опыт в оценке технического состояния деталей, поэтому вы можете быть уверены, что скупка радиодеталей в Челябинске ведется «Лом74» на справедливых условиях. Вы получите реальную стоимость за сданный лом. Позвоните нам, если вы хотите избавиться от хлама.

Что мы скупаем?

Если вас интересует, сколько стоит скупка радиодеталей в Челябинске, цены наша компания предлагает самые выгодные на рынке города. Вы можете продать нам:

• реле, конденсаторы;
• микросхемы. Мы осуществляем прием радиодеталей, цены на которые вы можете уточнить у нашего оператора, в корпусах всех типов, а также ламели/платы от микросхем;
• симисторы, переключатели, тиристоры. Компания по высокой цене принимает радиодетали и других категорий: разъемы, динисторы, тумблеры;
• транзисторы, реохорды и резисторы;
• осциллографы, генераторы, фоточувствительные объекты. Сдайте нам в Челябинске радиолом вычислительной и различной контрольно-измерительной техники времен СССР;
• трансформаторы и пр.;

Мы проводим прием радиолома в Челябинске и других категорий. Если вы не нашли в приведенном перечне готовый к сдаче радиолом, позвоните нашему менеджеру. Он определит, сможем ли мы купить б/у радиодеталь, от которой вы хотите избавиться.

Почему вам выгоднее выбрать «Лом74»?

Наша компания выполняет скупку радиолома в Челябинске официально по лицензии. Мы гарантируем, что сделка пройдет честно и без обмана. «Лом74» сотрудничает как с физ.лицами, так и юр.лицами. Наш многолетний опыт приема радиолома в Челябинске гарантирует вам:

• быстрый расчет за сданный лом;
• высокий уровень обслуживания;
• профессионализм и честность.

У нас отличные цены на скупку радиолома в Челябинске и комфортные условия сотрудничества.

Вас, возможно, заинтересует:

Прием электронного лома в СПб

Электронный лом – это не что иное как лом радиодеталей и электронных приборов. Ценность подобного вида сырья заключается в составе материалов, используемых для изготовления плат, чипов, микросхем и прочих мелочей, которые становятся основным товаром у скупщиков.

• детали компьютеров – жесткие диски, процессоры, платы оперативной и материнской памяти и т.д.;
• микросхемы и соединения телефонов, смартфонов, планшетов, их платы и коммутационные узлы;
• лом электроплат и электротехники – офисная техника, бытовые приборы и оборудование.

Узнать о приеме электронного лома в Санкт-Петербурге можно по одному из телефонов +7 (812)716-95-90; +7 (812)703-47-20 или воспользуйтесь формой обратной связи для связи с менеджерами компании «ПромИнвест Экспорт» и уточнения того, как сдать электронный лом. Мы заключаем договора и сотрудничаем как с физическими, так и с юридическими лицами.

Цены на электронный лом

Источники электронного лома

Прием электронного лома становится все более востребованной услугой у скупщиков. Во-первых, в его состав входят как цветные, так и драгоценные металлы. Во-вторых, из-за постоянно растущих функциональных требований к технике, объем электролома, подлежащего утилизации постоянно увеличивается, становясь источником загрязнения окружающей среды. В-третьих, сдача электронного лома и его дальнейшая переработка позволяет предприятия сэкономить на добыче цветных и драгоценных металлов, что положительно сказывается на ресурсозатратах производства.

Как определяется цена электронного лома

Цена электронного лома напрямую зависит от того, какой тип изделия является источником сырья. Очищенные детали, платы и электросхемы будут оцениваться дороже, чем электротехника в корпусе. Отделить дорогостоящие металлы из микросхем и электроплат без специального оборудования и навыков практически невозможно. По этой причине пункты приема чаще всего сталкиваются с большими объемами утилизируемой офисной и бытовой техники в неразобранном состоянии.
Стоимость электролома в чистом виде была бы выше, если бы не возникали сложности с добычей драгметалов в домашних условиях. Процесс очистки и дальнейшей переработки лома предполагает измельчение радиодеталей и отделение металла от пластмассы, изоляционных материалов и прочего мусора, не представляющего ценности на рынке вторсырья.
Следующим этапом после механического измельчения является гидрометаллургическая обработка, предполагающая растворение металлов в кислотах и специальных реагентах, обжиг и переплавка.

Прием металлолома и электронного лома в Санкт-Петербурге компанией «ПромИнвест Экспорт» осуществляется после определения химического состава и оценки стоимости сырья. Предлагаем выгодные цены и обсуждаем индивидуальные условия сотрудничества. При необходимости поможем с демонтажем и вывозом лома.

Утилизация и скупка радиодеталей и плат в Чебоксарах | Услуги

Утилизация и демонтаж. скупкa paдиодетали

-Oтхoды и неликвиды электpонной и радиопрoмышлeннocти

-Измeрительные приборы : oсциллографы, чacтoтомеpы, измерители АЧX,КСBH, вoльтметры, гeнераторы сигналов и пoдобноe.

-Контpольнo-измeритeльную аппapатуру: сaмописцы (Диcк-250, KСП-2\4, KCM, ЗИП рeохорд и контактов), термопары (ТСП, ТПП, ТПР), регистрирующие устройства контроля АСУ ТП.

-Гражданские и военные радиостанции, аппаратуру управления и вычисления.

-Лабораторные стенды, терминалы ДВК, советские компьютеры, АТС и ЭВМ серии ЕС и СМ, спецвычислители.

-Любые печатные платы: материнские, бытовые, серверные, периферия, срезку с плат.

-Импортные и отечественные радиодетали и комплектующие:

Конденсаторы

Микросхемы

Транзисторы

Потенциометры и резисторы

Разъёмы

Реле и переключатели 

техническое серебро

посеребренный алюминий 

блоки GSМ станций

А также многие другие детали не вошедшие в перечень

Аккумуляторы серебряно-цинковые серий СЦ и СЦД.

Генераторы серий Г3-ххх; Г4-ххх; Г5-ххх .

Осциллографы : С1-114; С1-67; С9-8 и подобные.

Частотомеры электронно-счетный ч1-хх,

Ч3-20, Ч3-22, РЧ3-07-0001, РЧ3-02-0002, Ч3-24, Ч3-28, Ч3-30, Ч3-32, Ч3-33, Ч3-34, Ч3-35, Ч3-36, Ч3-38, Ч3-44, Ч3-45, Ч3-47, Ч3-49, Ч3-51, Ч3-54, Ч3-57, Ч3-58, Ч3-60,

Ч3-61, Ч3-63, Ч3-63/1, Ч3-64, Ч3-64/1, Ч3-65, Ч3-66, Ч3-67, Ч3-68, Ч3-69, Ч6-31, Ч6-71, Ч7-10, Ч7-12, Ч7-13, Ч6-2, С6-11, С6-12

Другие Е6-13, Е6-18, Е7-8, Е7-10, Е7-12, Е7-14, Е8-4, И1-8, И1-9, И1-10, И1-11, И1-12, И1-14, И1-15, И1-17, И1-18, И1-23, И2-24, И2-26, И9-2, Л2-42, Л2-56, Л2-68, Л2-69, Л2-70, Л2-71, РЧ6-05, РЧ6-04, РЧ6-02, РЧ6-03, РЧ6-01, РГ4-03, РГ4-04, Р2-102,Р2-103, Р2-104, Р2-105, Р2-106, Р2-107, Р2-108, Р2-109, Р2-110, Р2-98, Р2-83, Р2-73, СК3-45, СК3-46, СК4-58, СК4-59, СК4-67, Х1-42, Х1-43, Х1-46, Х1-47, Х1-48, Х1-50, Х1-53, Х1-54, Х1-55, Х1-56, Я2Р-67

Радиостанции СЛЕДУЮЩИХ МОДЕЛЕЙ:

Р-399а, Р-130, Р-131, Р-140, Р-880, Р-159, Р-864, Р-867 «Зяблик», Р-173, Р-158, Р-998, Р-492, Р-355 «Регина», Р-2 «Фазан», Р-5 «Фазан», Р-8 «Фазан», Р-394, Р-431, Р-805, Р-157, Р-853, Р-170, Р-321, Р-163-кп, Р-163-10к, Р-862, Р-163-10у, Р-148, Р-419, Р-168-НП, Р-255, Р-691, Р-173 н-1, Р-111, Р-619, Р-863, Р-612, Р-162, Р-415, Р-168-5КВЭ, Р-399т, Р-625 «Пихта», Р-171, Бригантина, Шторм, Р-631 «Пламя», Бриза-2, Чайка, Циклоида, Арлекин, Ангара 1, Родник-2, Сейнер, Широта-У, Ангара РБ, Фазан ПРМ, Рейд-1, Ястреб, Безон-2, Маяк, Ласточка, Альфа, Яшма, Гюйс, Дари, Арена ПМ-1005, Кристалл, Беркут-М, Гидро-1, Глет, Баркас, Кварц, Бурун, Пирс и прочих других.
Все радиодетали принимаются по прайсу.

Скупка плат Скупка радиодеталей +79514205636, Компания РадиодеталиМир

Вся наша деятельность лицензирована и осуществляется на основании свидетельства о постановке на специальный учёт в Государственной инспекции пробирного надзора на основании закона ‘О драгоценных металлах и драгоценных камнях’ Осуществляем самовывоз списанного оборудования, старой оргтехники, радиодеталей. Специалисты пункта приема радиодеталей проконсультируют вас по вопросам максимально выгодной сдачи радиодеталей, драгметаллов и электронного лома. Самостоятельное извлечение драгметаллов из радиодеталей чаще всего нерентабельно и незаконно. Покупаем радиодетали: конденсаторы, транзисторы, резисторы, реле, разъемы, переключатели, микросхемы, струны мкс(атс), термопары тсп-тпп-тпр, генераторные лампы(гу, гс, гми), осциллографы и тд. Так же мы покупаем противогазные фильтры марки: ДП-2 и ДП-4.  

Материнки (материнские платы)  Должны быть сняты радиаторы и вынуты батарейки CMOS.

Бытовые платы: Должны быть сняты все железные рамки, каркасы, большие тяжелые трансформаторы, большие конденсаторы к-50, которые больше 6 см 

Мобильные телефоны, смартфоны в лом:  Принимаются без аккумуляторов.

Платы от мобильных телефонов и смартфонов: Принимаются без корпуса и дисплея. Или с засором.

Процессоры от материнских плат: лом процессоров по высоким ценам за 1 кг. При большом опте до 7000 р. Также цена на лом процессоров зависит от их вида.

Татрел |

Разумеется, для того чтобы понять что к чему самостоятельно, нужно быть либо специалистом в электронике, либо потратить время на поиск информации в специальной литературе. Но все намного проще! Мы предоставляем бесплатную консультацию всем – наш специалист ответит на все ваши вопросы и поможет провести первичную оценку и, конечно же, подготовку радиодеталей к продаже. Если вы имеете какое-либо электронное оборудование или детали, которое желали бы продать, просто позвоните нам по одному из следующих номеров тел. – 8 (960) 048-40-45 или 8 (917) 255-43-86, либо направьте письмо на электронную почту нашей компании, с приложением фото и кратким описанием. Мы внимательно относимся к каждому обращению!

В Советское время радиолюбители были практически в каждом доме. Сейчас все детали, ранее необходимые для работы сложных устройств, потеряли свою актуальность, так что они точно не пригодятся вам в будущем. При этом, ценность некоторых сплавов и чистых металлов, использованных для производства таких деталей, только выросла. Поэтому именно сейчас у вас есть прекрасная возможность не только избавиться от хлама, зря занимающего место, но и неплохо на этом заработать.

Капитальный ремонт в доме, переезд или помощь родственникам в очищении гаражей, сараев и чердаков от скопившихся там не востребованных вещей – вы можете найти радиодетали практически повсюду. Обращайте внимание на старые чемоданы с проводами, платами и любыми непонятными электронными приборами, все это может если не обогатить вас, то приятно обрадовать получением n-ной суммы практически из воздуха.

Почему мы скупаем старые, выбитые катализаторы и невостребованные Радиодетали?

Редкоземельные металлы, а также металлы платиновой группы являются очень дорогими материалами. Дело в том, что их запас на нашей планете сильно ограничен, при этом они являются крайне важными для создания многих технологически сложных конструкций – космических аппаратов, спутников, военной техники и жизненно важных диагностических приборов.

В Советское время, в период повального увлечения радиотехникой, многие из таких металлов применялись для улучшения прохождения радиосигнала. Встает разумный вопрос, почему бы самостоятельно не заняться добычей редкоземельных металлов из радиохлама. Ответ прост – это не выгодно, вследствие сложности обработки. Время, которое может потребоваться вам для того, чтобы из сплавов или пластиковых корпусов выделить драгоценный металл никогда себя не окупит. Намного проще и выгоднее заняться поиском и сбором радиодеталей для последующей перепродажи такой компании, как наша. Центр скупки радиодеталей и плат «ТАТРЕЛ» в Казани выкупит радиодетали за достойную плату, мы самостоятельно займемся их разборкой и очисткой.

Прямо сейчас вы можете выгодно продать нам:

• Любое радиоэлектронное оборудование;
• Катализаторы всех марок и типов;
• Старые б.у. радиодетали;
• Любые и в любом состоянии печатные платы;
• Техническое серебро;
• Разьемы ;
• Реле РЭС,РПС,РКМ и любые другие виды реле;
• Переключатели,тумблера ,микрики;
• Реохорды КСП ;
• Аккумуляторы СЦ;
• Посеребренные провода;
• АТС, а также мини станции любого типа;
• Первые образцы ЭВМ, оставшиеся еще с советских времен;
• И многое ,многое другое !

Новые и устаревшие невостребованные компоненты из госрезервов.

Наши услуги предоставляются официально, благодаря чему мы можем работать как напрямую, так и по договору, если вы хотите сотрудничать с нами как юридическое лицо.

Оплата может производиться в любой форме:

• Наличные;
• На карту продавца;
• По безналичному расчету;
• Через любую систему электронных денег: WEBmoney, Kiwi кошелек и пр.

Есть несколько способов продать нам оборудование: вы можете самостоятельно приехать в наш офис, при большом количестве радиодеталей, наш специалист может приехать к вам для оценки и выкупа. В случае если вы находитесь не в Казани, детали по предварительной договоренности можно отправить почтой или транспортной компанией. Мы оплатим все сопутствующие расходы, более подробно об этом вы можете узнать из раздела «Доставка и Оплата». В верхнем меню нашего сайта.

Почему стоит обратиться именно к нам?

Выгодные цены для всех! Вы всегда можете рассчитывать на хорошую прибыль, ведь наши выкупные цены одни из самых высоких в России.

Быстрая работа менеджеров! Время – это великая ценность и мы не расходуем его зря. Мы оперативно обрабатываем все заявки и никогда не затягиваем сроки, все сделки совершаются быстро – это выгодно и вам, и нам.

Доверие и надежность. Центр скупки радиодеталей и плат «ТАТРЕЛ» в Казани– это та самая проверенная компания, которая занимается данным бизнесом на протяжении многих лет. Мы ценим своих клиентов и нацелены на плодотворное сотрудничество.

Доступность и открытость информации. Наши специалисты всегда готовы ответить на ваши вопросы, дать справедливую оценку имеющегося у вас радиооборудования и деталей.

Просто свяжитесь с нами любым удобным для вас способом:

• По телефону: +7 (960) 048-40-45; +7 (987) 421-20-53
• По электронной почте: [email protected]
• Наши адреса:  г.Казань, ул. Нариманова, д.40, оф.2  

General Microcircuits, Inc. — Shat-R-Shield

General Microcircuits, Inc. (GMI) — глобальная компания по производству электроники, которая производит печатные платы для различных отраслей и приложений, включая системы автоматического считывания показаний счетчиков, производство электроэнергии и решения для светодиодного освещения. GMI потребовался партнер по конформному покрытию, чтобы помочь улучшить характеристики и срок службы новой конструкции печатной платы, специально разработанной для модуля управления, который будет использоваться для сбора данных в суровых условиях окружающей среды.

Challenge
Первоначальные технические требования к конструкции печатной платы (PCB) модуля управления не включали защитное конформное покрытие, нанесенное на двустороннюю PCB. Компания GMI быстро поняла, что необходимо превосходное защитное покрытие, чтобы защитить различную электронику и компоненты от непредсказуемой природы окружающей среды. Кроме того, защитное покрытие поможет печатной плате пройти спецификацию на удары и вибрацию, также присущие окружающей среде при эксплуатации.GMI искала партнера по конформному покрытию, который мог бы автоматизировать процесс нанесения и удовлетворить все требования к характеристикам.

Solution
После оценки нескольких компаний, производящих конформные покрытия, служба прецизионных конформных покрытий Shat-R-Shield быстро стала идеальным партнером для удовлетворения уникальных бизнес-потребностей GMI. Используя Shat-R-Shield, роботизированное дозирующее оборудование наносило покрытие на определенные области на печатной плате, обеспечивая при этом отсутствие покрытия на определенных областях и компонентах.Точность работы в сочетании со спецификациями конструкции печатной платы обеспечивает улучшенную защиту, производительность и долговечность. GMI также требовался партнер, который мог бы поддерживать большие объемы, сохраняя при этом высокое качество и повторяемость, и Shat-R-Shield работал по всем направлениям.

Результаты
Услуга конформного покрытия Shat-R-Shield не только удовлетворяет требованиям GMI по защите печатной платы от внешних элементов, таких как влага, пыль, химические вещества и солевой туман, но и высокоэффективное покрытие также защищает печатную плату от теплового удара. и вибрация для предотвращения повреждения хрупких электрических компонентов.Кроме того, автоматизированный процесс нанесения позволил сэкономить GMI, исключив необходимость нанимать больше людей для ручного нанесения покрытия на печатные платы.

Отзывы клиентов
«Shat-R-Shield работала как расширение нашей команды, и их технический опыт имел решающее значение на этапе создания прототипа печатной платы и развертывания производства», — сказал Алан Моррис, менеджер программы, General Microcircuits, Inc. Shat-R-Shield приветствовал нашего клиента на месте и был очень заинтересован в том, чтобы подробно ответить на вопросы, объяснить процессы и требования на своем производственном участке и, прежде всего, удовлетворить наших клиентов.Передача конформного покрытия Shat-R-Shield на аутсорсинг освобождает ценное производственное время для GMI, и я с нетерпением жду возможности работать с ними в будущем, поскольку мы осознаем ценность, которую они представляют, и их разумную философию бизнеса ».

Прецизионные ручные инструменты для сборки электроники и лабораторий

Прецизионные ручные инструменты для сборки электроники

Прецизионные ручные инструменты, включая пинцет, кусачки, вакуумные ручки, системы вакуумных насосов, алмазные резцы и мини-инструменты.

TDI разработаны, чтобы соответствовать и превосходить требования для сборки электроники, лабораторий, чистых помещений, а также ремонта и доработки печатных плат.

Изготовлен из материалов высочайшего качества, режущие кромки инструмента идеально сбалансированы, обеспечивая тонкую симметрию наконечника для точной работы.

Запросите предложение для оптовых скидок!

Общие приложения для сборки пинцетов и ручных инструментов включают:

• Печатная плата
• Лазерное устройство
• СВЧ-устройство
• Медицинское устройство
• Цепной кристалл и электронный блок
• Полупроводник
• Ремонт и доработка печатных плат

• Пинцет

  (89)

  Высокоточный пинцет для сборки электроники, лабораторий и чистых помещений

  TDI предлагает большой выбор пинцетов для сборки электроники.Стили пинцетов бывают швейцарских, прецизионных и промышленных сортов высочайшей точности. К ним относятся тонкие наконечники, наконечники, устойчивые к электростатическому разряду, керамические наконечники, обработка пластин, пинцет для резки, обработка компонентов и сжатие для открытия обратного действия. Все металлические исполнения, за исключением реверсивного действия, также доступны с тефлоновым покрытием по запросу. Мы разрабатываем нашу высокоточную линию, чтобы соответствовать и даже превосходить строгие требования к сборке электроники, лабораториям, чистым помещениям и ремонту печатных плат. Изготовлен из материалов высочайшего качества, включая низкоуглеродистую нержавеющую антимагнитную, 100% немагнитный суперсплав, а также сменные токопроводящие и рассеивающие статическое электричество наконечники.Наши высокоточные наконечники пинцетов идеально сбалансированы, обеспечивая тонкую симметрию наконечников для точной работы. Мы полируем края наконечника, чтобы обеспечить защиту от царапин и антибликовое покрытие. Представляем самый широкий выбор пинцетов для рассеивания статического электричества, защищенных от электростатических разрядов, для применений с низким напряжением! Доступны как керамические, так и полимерные сменные наконечники. Пинцет

  TDI соответствует нормам ЕС 3TG по конфликтным минералам. Эти пинцеты не содержат четырех минералов, которые чаще всего связаны с вооруженными конфликтами и нарушениями прав человека:

  олова, тантала, вольфрама и золота. Для использования во многих стандартных отраслевых приложениях. Например:
  • Сборка электронных, медицинских, лазерных и микроволновых устройств
  • Цепной кристалл и электронный блок в сборе
  • Восстановление и ремонт печатных плат
  • Работа под микроскопом / Микроэлектроника
  • Сборка биотехнологической, биологической, военной и аэрокосмической электроники
  • Различные лабораторные применения

• Инструменты для вакуумного захвата

  (7)

  Вакуумный съемник TDI VacuPik® для сборки электроники

  VacuPik® Vacuum Tools — это прецизионный сверхтихий вакуумный насос и большой выбор антистатических наконечников для работы с различными деталями при сборке электроники.Типичные области применения включают кристалл схемы, сборку SMT, подложки и плоские компоненты. Блок питания представляет собой компактную башенную конструкцию, занимающую минимум места на рабочем месте. Все вакуумные съемники TDI предназначены для использования только в сухих условиях. Только для приложений Pick and Place, а не для использования в качестве пылесоса. Запросите предложение для оптовых скидок!

• Фрезы

  (12)

  Кусачки для сборки электроники и медицинского оборудования

  Высокоточные кусачки для резки мягкой проволоки и выводов компонентов при сборке электроники, сборке медицинских устройств, ремонте печатных плат и доработке.Эти фрезы включают в себя овальные и конические головки. Доступен в вариантах с полу-смывом, смывом и полным смывом.

• Алмазные писцы

  (7)

  Алмазные скрайберы, высокоточные скрайберы Micro / Mini

  Алмазные скрайбы TDI отличаются высокой точностью и предназначены для оптимальной разметки или маркировки тонкопленочных схем, маркировки пластин, микросхем, небольших печатных плат, а также для очистки или обрезки схем в микроэлектронных приложениях. Линия алмазных скрайбов «PVH» включает в себя легкие алюминиевые тиски с анодированным золотом и рифленую ручку для удобного и нескользящего использования.Эти штифтовые тиски оснащены зажимной цангой из анодированной стали, адаптером и дышлом для замены алмазных наконечников. Алмазные скрайберы HSD предназначены для разметки или маркировки сверхтвердых поверхностей, включая кремний и глиноземную керамику, при сборке и ремонте электроники. Эти разметчики предлагают алмаз диаметром 0,060 дюйма, постоянно установленный на хвостовике из нержавеющей стали 0,300 дюйма и доступный с изогнутыми или прямыми кончиками. Ручки имеют невращающуюся шестигранную форму. Микро-мини-алмазные скрайберы «MMD» имеют постоянно установленные наконечники с.Прямые или изогнутые наконечники диаметром 020 дюймов. Некатящаяся легкая ручка из анодированного золота. Запросите предложение для оптовых скидок!

• Плоскогубцы

  (5)

  Прецизионные плоскогубцы с антистатической комфортной рукояткой

  Прецизионные плоскогубцы для формирования выводов, гибки проволоки, правки и удержания хрупких деталей при сборке электроники, сборке медицинских устройств, печатных плат и доработках. Надежные и эргономичные ручки для защиты от электростатических разрядов. Запросите предложение для оптовых скидок!

• Инструменты Micro Mini

  (22)

  Микро-мини-инструменты для сборки электроники

  Наша линейка высокоточных микро-мини-инструментов включает пинцеты, микрошпатели, ножницы и многое другое для работы с очень маленькими деталями при сборке электроники и лабораторных применениях.Высокоточные алмазные скрайберы для разметки или маркировки при сборке электроники. Стили включают в себя скрайберы для микромини и сверхтвердых поверхностей. Все наши алмазные скрайберы имеют естественный наконечник с углом 60 °, изогнутые или прямые наконечники и ручки, которые предотвращают скатывание инструментов с рабочей станции. Микролинейки для измерения мелких деталей под микроскопом или лупой. Наши микрошпатели идеально подходят для нанесения клея или смазки на небольшие движущиеся детали. Запросите предложение для оптовых скидок!

• Микроножницы

  (6)

  Микроножницы — ESD Safe

  Эти высокоточные микроножницы являются отличным выбором для резки тонкой проволоки при сборке электроники, а также для ремонта и доработки печатных плат.Наши ножницы для волокна Kevlar® разработаны и изготовлены специально для резки компонента прочности волокна Kevlar® волоконно-оптических кабелей. Уникальный зазубренный край предотвращает выскальзывание волокон из передней части ножниц во время резки.

  Стандартные функции включают:

  • Легкие инструменты
  • Устранение бликов с черным покрытием
  • Режущие кромки заподлицо с твердостью по Роквеллу 56-58 HRC
  • Прочная конструкция из легированной стали
  • Наша эргономичная возвратная пружина Light Touch ^TM снижает давление, необходимое для каждого разреза.
  • Антистатические черные ручки с безопасным рассеиванием статического электричества
    • Удельное сопротивление поверхности 10 ⁸ -10 ¹⁰ Ом / кв.
  • Эргономичная нескользящая поверхность ручки обеспечивает комфорт оператора
  Для получения оптовых скидок отправьте нам запрос по электронной почте на адрес [email protected].

• Наборы инструментов

  (2)

  Наборы ручных инструментов для помощи при сборке

  Наши наборы ручных инструментов для высокоточной сборки разработаны с учетом требований, предъявляемых к сборке электроники, лабораториям, чистым помещениям, а также ремонту и доработке печатных плат.

Сохранение торможения с помощью растормаживающей микросхемы в сетчатке

Почему блокада тормозных входов в SAC ослабляет вызванное движением торможение DSGC с шумным фоном? Мы сформулировали рабочую гипотезу, основанную на следующих двух наблюдениях, описанных в предыдущем разделе: (1) SAC у мышей Gabra2, cKO демонстрируют повышенную активацию, вызванную мерцанием, в течение временного окна непосредственно перед их реакциями, вызванными движением, и (2) движение- вызванная деполяризация SAC не нарушается у мышей Gabra2 cKO.Наша гипотеза состоит в том, что постоянный мерцательный ответ SAC перед его деполяризацией, вызванной движением, у мышей Gabra2 cKO вызывает кратковременную синаптическую депрессию в синапсах GABAergic SAC-DSGC и тем самым ослабляет подавление DSGC, вызванное движущейся полосой. Кратковременная депрессия ГАМКергического синапса SAC-DSGC была продемонстрирована у животных P7-14 во время развития с использованием парной импульсной стимуляции (Morrie and Feller, 2015). Чтобы проверить, возникает ли эта синаптическая депрессия также в зрелой сетчатке, мы выполнили парные записи фиксации напряжения из пар SAC-DSGC у взрослых контрольных мышей.SAC деполяризовались с коротким шагом напряжения, что приводило к открытию потенциалозависимых кальциевых каналов (VGCC), показанных в виде внутреннего пика, который был синхронизирован по времени с постсинаптическим ответом DSGC и блокировался антагонистами VGCC (Lee et al. , 2010; Корен и др., 2017). IPSC DSGC показали выраженную кратковременную депрессию в протоколе парных импульсов (Рисунок 3), что указывает на то, что синапс SAC-DSGC склонен к депрессии при повторной активации SAC.

ГАМКергические синапсы SAC-DSGC у взрослых мышей обнаруживают парную депрессию пульса.

( a ) Верхний: схема парных записей фиксации напряжения между DSGC и SAC на нулевой стороне DSGC. Предпочтительное направление DSGC показано черной стрелкой. Нижний: командный потенциал SAC (верхний график), ток удержания SAC (средний график) и DSGC IPSC, вызванный деполяризацией SAC (нижний график). Пунктирная линия указывает начало IPSC, которое совпадает с входящим кальциевым током, активированным в SAC (Koren et al., 2017). ( b ) Пример трассировки записей SAC и DSGC с разными интервалами между импульсами (200, 400, 1600 мс). ( c ) Сводный график отношения парных импульсов (2-я / 1-я пиковые амплитуды) как функции межимпульсного интервала. Ось X в логарифмическом масштабе. N = 17 пар от трех мышей.

Затем мы спросили, может ли вызванная мерцанием деполяризация мембраны SAC в Gabra2 cKO, которая сохраняется во временном окне подавления объемного звука, может вызвать кратковременную синаптическую депрессию и уменьшить последующее высвобождение ГАМК из SAC, вызванное движущейся полосой.Чтобы ответить на этот вопрос, мы выполнили парные соматические записи SAC-DSGC у контрольных мышей, во время которых пресинаптический SAC был зафиксирован напряжением в соответствии с формами волны, которые имитируют паттерны активации контрольных и cKO SAC во время движущихся стержневых стимулов. Поскольку сайты высвобождения нейротрансмиттеров безаксонного SAC расположены в дистальных дендритах, мы сначала использовали компьютерное моделирование для оценки V _m на дистальных дендритах SAC на основе соматических записей SAC V _m во время визуальной стимуляции.Биофизическая модель SAC была построена на основе оцифрованной морфологии типичного SAC мыши, входов биполярных клеток, картированных с помощью коннектомного анализа (Ding et al., 2016), и экспериментально измеренных свойств мембраны SAC (Stincic et al., 2016; Рисунок 4a. см. Материалы и методы). Моделирование активации SAC во время движения полосы по мерцающей шахматной доске показало, что пиковые амплитуды соматического и дистального дендритов V _m сопоставимы (рис. 4b). Затем мы смоделировали степень ослабления между соматическими и дистальными дендритными компартментами во время наших экспериментов с фиксацией напряжения, используя параметры, которые приблизительно соответствуют условиям фиксации напряжения в отсутствие проводимости натрия и калия.Из-за электротонической изоляции дистальных дендритов SAC от сомы (Euler et al., 2002; Koren et al., 2017; Tukker et al., 2004), мы оценили деполяризацию мембраны на концах дендритов SAC с помощью компьютерного моделирования примерно как 25% соматической деполяризации в цельноклеточной конфигурации с фиксацией напряжения, использованной в нашем исследовании (рис. 4c). Поэтому мы масштабировали соматические трассы V _m , полученные во время записи с токовыми фиксаторами, в 4 раза. Масштабированные формы сигналов затем использовали в качестве командных потенциалов SAC в экспериментах по парной записи с фиксацией напряжения, так что V _m в дистальном направлении. Дендриты SAC могут быть деполяризованы до уровня, сопоставимого с таковым при визуальной стимуляции.IPSC DSGC в каждой паре SAC-DSGC были записаны для измерения выпуска SAC GABA.

Вычислительное моделирование световых откликов SAC на концах сомы и дендритов во время стимула движущегося стержня на шумном фоне.

( a ) Оцифрованный SAC (синий) и местоположения биполярных клеточных сом (желтые точки), используемые для моделирования.( b ) Верхняя кривая: смоделированная Vm биполярной клетки во время стимула движущегося стержня на шумном фоне. Средние следы: смоделированная возбуждающая проводимость (Ge) SAC, вызванная шестью примерами входов биполярных клеток. Цветные следы — это SAC Ge, вызванные отдельными биполярными клетками. Нижние следы: моделирование соматической Vm SAC на соме и на дистальном конце дендрита. ( c ) Моделирование затухания от сомы к кончику дендрита в SAC во время записи с фиксацией напряжения. Черная кривая: масштабированная соматическая форма волны Vm (черная кривая) SAC, основанная на записи текущих зажимов SAC Vm во время стимула движущейся полосы на шумном фоне.Красный график: смоделированный Vm на дистальном конце дендрита SAC в конфигурации фиксации напряжения.

Для каждой пары SAC-DSGC SAC был деполяризован в соответствии с двумя формами сигнала в случайных последовательностях. Один из них представлял собой масштабированную форму волны репрезентативной соматической V _m , записанной от мешка Gabra2 cKO во время стимула движущейся полоски над случайно мерцающей шахматной доской (обозначенной «cKO pattern», Рисунок 5a, верхняя красная кривая). Другая форма волны была идентична вышеуказанному шаблону cKO, за исключением временного окна, предшествующего реакции, вызванной движением (Рисунок 5a, временное окно 2), чтобы включать период подавления объемного звука.В течение этого временного окна зашумленная модель V _m для cKO SAC была заменена средней моделью V _m для SAC в контрольной группе. Вторая форма волны называется «контрольной диаграммой» (рис. 5а, верхняя черная кривая). Для каждой пары SAC-DSGC были случайным образом выбраны формы волны cKO и контрольный V _m для фиксации напряжения соматического SAC V _m , в то время как DSGC IPSC регистрировались одновременно (рис. 5a). Поскольку флуктуации мембран, вызванные мерцанием, в течение базового периода идентичны для cKO и контрольных паттернов, DSGC IPSC в течение этого базового периода (рис. 5a, временное окно 1) служили внутренним контролем для каждой пары для обеспечения стабильных записей и мониторинга потенциального прогона. -низка записей целых клеток.Как и ожидалось, амплитуды DSGC IPSC в течение базового периода для паттернов cKO и контроля были аналогичными (рис. 5a и b, временное окно 1). Однако DSGC IPSC, запускаемые сигналами SAC, вызванными движением (рис. 5a и b, временное окно 3), значительно различались между cKO и контрольными паттернами. Несмотря на то, что SAC был активирован той же моделью деполяризации, вызванной движением в течение временного окна 3, более активный V _m непосредственно перед вызванной движением деполяризации (рис. 5a и b, временное окно 2) в форме волны cKO привел к меньшему DSGC. Пиковые амплитуды IPSC, вызванные формой волны движения (рис. 5a – d, временное окно 3).Мы сравнили IPSC в этом парном протоколе записи с таковыми во время визуальной стимуляции с шумной полосой. Пиковая амплитуда и перенос заряда IPSC в парных записях находятся в нижней части диапазона для DSGC IPSC, вызванных шумным стимулом (перенос заряда: вызванный светом: предпочтительное направление: 95,1+ / — 8,6 пА * с; нулевое направление , 198,6 + / — 22,5 пА * с, 16 клеток; парные записи: 100+ 12,1 пА * с, 22 ячейки; амплитуда: вызванная светом: предпочтительное направление: 284,2 + / — 23,2 пА; нулевое направление, 570.3 + / — 52,7 пА; парные записи: 174,5 + / — 17,9 пА), подтверждая, что измеренные токи торможения DSGC в парных записях находятся в пределах физиологического диапазона. Кроме того, синаптическое подавление, наблюдаемое в группе cKO, было устойчивым, когда мы тестировали дополнительные масштабные коэффициенты 3 и 5 для командных сигналов SAC (рис. 5d).

Паттерн активации мешков

( a ) Верхние кривые: масштабированный контроль (черный) и кривые Gabra2 cKO (красный) во время шумного столбчатого стимула, используемого для ограничения напряжения SAC соматической Vm у контрольных мышей. Средние кривые: удерживающие токи SAC во время парных записей фиксации напряжения SAC-DSGC. Отклонения вниз представляют собой кальциевые токи SAC, активируемые деполяризацией мембраны. Нижние кривые: DSGC IPSC, вызванные управляющими сигналами и сигналами cKO. На схеме поверх графиков показаны временные окна, соответствующие базовому периоду, вызванному полосой подавлению объемного звучания и вызванной полосой деполяризации во время экспериментов по фиксации тока на Рисунке 2.Зеленые прямоугольники с номерами 1, 2 и 3 представляют собой области в базовом, окружающем и центральном временных окнах, выбранных для последующей количественной оценки. ( b ) Попарное сравнение амплитуды DSGC IPSC, вызванной масштабированным (4x) контрольным сигналом, и сигналами cKO во временных окнах 1 и 3. Для каждой пары ячеек пиковая амплитуда IPSC, вызванная формой сигнала cKO, нормализуется к амплитуде сигнала cKO. форма сигнала управления для каждого временного окна. N = 17 пар от семи мышей. ( c ) То же, что и, но с другой репрезентативной формой волны cKO.( d ) То же, что и b, но с другими масштабными коэффициентами для сигналов команд SAC в c. ( e ) Пример контрольных кривых SAC Vm во время движущихся столбцов стимулов на сером фоне с различными скоростями. ( f ) Продолжительность окна гиперполяризации во время бесшумного движения стержня в зависимости от скорости стержня. 110 мкм / с: 11 клеток, 4 мыши, 440 мкм / с: 15 клеток, 4 мыши, 1320 мкм / с: 21 клетка, 6 мышей. Данные представлены как среднее значение ± стандартная ошибка среднего. ( г ) То же, что и a, но с масштабированными формами волны cKO SAC Vm при 110 мкм / с (верхний) и 1320 мкм / с (нижний).Для сигналов управления средний мембранный потенциал сигналов управления заменяет кривые cKO во временном окне подавления объемного звука. ( h ) Краткое изложение синаптического подавления синапса SAC-DSGC, индуцированного сигналом Gabra2 cKO, по сравнению с ответом, вызванным сигналом управления для различных скоростей движения. Экспрессия, вызванная шумом, рассчитывается как процентное уменьшение вызванной движением реакции cKO по сравнению с контролем. 110 мкм / с: 11 пар от трех мышей; 440 мкм / с: 17 пар от семи мышей; 1320 мкм / с: 11 пар от трех мышей.Данные представлены как среднее значение ± стандартная ошибка среднего. См. Также рисунок 5 — дополнение к рисунку 1.

Затем мы записали SAC Vm во время стимулов движущегося стержня на разных скоростях и исследовали продолжительность подавления объемного звука в зависимости от скорости. Мы протестировали три скорости: 4 ° (110 мкм) / с — на нижнем конце кривой настройки скорости DSGC мыши (Ding et al., 2016; Hoggarth et al., 2015), 15 ° (440 мкм) / s — около оптимальной скорости кривой настройки скорости DSGC и 44 ° (1320 мкм) / с — на верхнем конце кривой настройки.Как и ожидалось, мы наблюдали зависящую от скорости продолжительность подавления объемного звука SAC в субмиллисекундном диапазоне на этих скоростях (рис. 5e и f). В шумных условиях cKO SAC демонстрировали повышенный шумовой отклик во время окна подавления объемного звука на всех скоростях (рисунок 5 — дополнение к рисунку 1). Затем мы выполнили парные записи SAC-DSGC у контрольных мышей, используя репрезентативные формы волны cKO Vm от SAC во время шумных штриховых стимулов с разной скоростью. Мы обнаружили, что для всех трех скоростей, когда случайное мерцание, вызванное шахматной доской, активация SAC попадает во временное окно подавления объемного звука SAC, это может привести к уменьшению вызванных движением IPSC DSGC (рис. 5g и h).Эти результаты согласуются с экспериментом с парными импульсами записей SAC-DSGC, который показывает, что кратковременная депрессия происходит в сопоставимом масштабе времени (рис. 3). В совокупности эти результаты убедительно подтверждают гипотезу о том, что у мышей Gabra2 cKO вызванная мерцанием деполяризация SAC, непосредственно предшествующая вызванной движением деполяризации, вызывает кратковременную депрессию в ГАМКергическом синапсе SAC-DSGC и, таким образом, приводит к снижению ингибирования DSGC, вызываемого движущийся бар.

Учитывая обширную сеть взаимосвязанных SAC (Ding et al., 2016; Lee and Zhou, 2006), можно спросить, ослабляет ли синаптическая депрессия гиперполяризацию SAC соседними SAC в присутствии движения объекта с фоновым шумом. В соответствии с этой гипотезой, мы наблюдали ослабленную гиперполяризацию SAC с шумным фоном по сравнению с фоном без шума (рис. 2e по сравнению с 2 часами). Однако даже при том, что высвобождение ГАМК из SAC подавлено шумным фоном, движение объекта в поле зрения по-прежнему вызывает достаточное высвобождение ГАМК из многих соседних варикозных расширений SAC, чтобы подавить шумовые реакции в постсинаптическом SAC прямо перед движущимся объектом.

Распространенные проблемы с печатными платами и проблемы с печатными платами

Руководство по вопросам печатных плат

Печатные платы (PCB) сегодня являются важными компонентами многих электрических устройств, соединяя различные компоненты друг с другом через сложный набор схем. Мировой спрос на печатные платы стремительно рос — за последние восемь лет общие мировые продажи печатных плат увеличивались в среднем более чем на 3,7 миллиарда долларов в год, с повышенным вниманием к сокращению проблем цепочки поставок конфликтных минералов и совершенствованию технологий.Мировые продажи печатных плат по состоянию на 2018 год составили около 82 миллиардов долларов.

С такими большими деньгами, вложенными в печатные платы и роль, которую они играют в многочисленных электрических устройствах и сборных коробках, отказ печатных плат является серьезной проблемой для многих компаний. Ниже вы узнаете больше о наиболее распространенных причинах отказа печатных плат, чтобы ваша компания могла более эффективно предотвращать и устранять отказы печатных плат.

Что такое неисправность печатной платы?

Отказ печатной платы может произойти по нескольким причинам, в результате чего печатная плата больше не функционирует должным образом.Поскольку печатные платы используются во многих электронных устройствах, таких как носимые устройства, самолеты, спутники и медицинские устройства, очень важно быстро выявлять любые неисправности и принимать соответствующие меры. Любая компания, стремящаяся обеспечить бесперебойную работу своей электроники, может лучше решить проблему отказа печатной платы и даже предотвратить его, зная больше о том, почему это происходит.

Что вызывает отказ печатной платы?

Сложность процесса проектирования и производства печатных плат означает, что существует множество возможностей возникновения проблем с отказами печатных плат.Некоторые из этих отказов являются результатом упущений в конструкции, таких как недостаточные зазоры или неправильные измерения, которые могут отрицательно повлиять на функциональность готового продукта. Другие могут быть результатом проблем в производственном процессе, таких как ошибки сверления или чрезмерное травление, что может быть столь же катастрофическим.

К счастью, большинства этих ошибок можно избежать, зная и учитывая производственный процесс, а также зная более общие проблемы, связанные с производством печатных плат.Чтобы помочь вам и вашей компании лучше понять и избежать потенциальных ошибок в конструкции ваших печатных плат, мы составили список наиболее распространенных проблем, возникающих при производстве печатных плат, с указанием причин их возникновения и способов их предотвращения ниже:

1. Пустоты в металлизации

Сквозные отверстия с покрытием — это отверстия в печатной плате, покрытые медью. Эти отверстия позволяют переносить электричество с одной стороны печатной платы на другую. Чтобы создать эти отверстия, производитель печатных плат просверливает отверстия в печатной плате, протыкая материал насквозь.Затем на поверхность материала и вдоль стенок этих отверстий посредством гальваники добавляется слой меди.

В ходе этого процесса на печатную плату наносится тонкий слой меди, полученной химическим способом. Этот процесс называется осаждением. После этого шага добавляются дополнительные слои меди и протравливаются для создания изображения схемы.

Хотя процесс осаждения эффективен, он несовершенен и при определенных обстоятельствах может привести к образованию пустот в покрытии. Пустоты в металлизации фактически представляют собой щели или отверстия в покрытии печатной платы и обычно являются результатом проблем во время процесса осаждения.Эти пустоты в металлизации особенно проблематичны, поскольку дефекты покрытия сквозного отверстия препятствуют прохождению электрического тока через отверстие, что приводит к дефектному продукту.

Эти пустоты в гальваническом покрытии возникают из-за того, что по той или иной причине материал не покрывается равномерно в процессе осаждения. Причины этого включают загрязнение материала, пузырьки воздуха, застрявшие в материале, недостаточную очистку отверстий, недостаточную катализацию меди в процессе наплавки или грубое сверление отверстий.Любая из этих проблем может привести к образованию пустот вдоль стенок монтажных отверстий.

Дефектов в результате загрязнения, пузырьков воздуха или недостаточной очистки можно избежать, тщательно очистив материал после сверления. Кроме того, дефектов из-за неправильного сверления можно избежать, строго следуя инструкциям производителя во время использования, таким как рекомендуемое количество ударов сверла, подача сверла и скорость сверления. Обе проблемы можно избежать, наняв высококвалифицированную и опытную компанию по производству печатных плат.

2. Недостаточный зазор между медью и кромкой

Медь — это невероятно проводящий металл, который используется в качестве активного компонента печатных плат. Однако медь также относительно мягкая и подвержена коррозии. Чтобы предотвратить коррозию и защитить медь от взаимодействия с окружающей средой, эта медь покрыта другими материалами. Однако при обрезке печатной платы, если медь находится слишком близко к краю, часть этого покрытия также может быть обрезана, обнажая слой меди под ней.Это может вызвать множество проблем с функциональностью платы.

Во-первых, открытые медные плоскости могут соприкасаться друг с другом, одновременно касаясь проводящего материала, вызывая короткое замыкание. Это воздействие также оставляет медь открытой для окружающей среды, что делает ее уязвимой для коррозии. Это воздействие также увеличивает вероятность контакта с печатной платой и поражения электрическим током.

Этой проблемы можно легко избежать, убедившись, что расстояние между краем меди и краем платы, также известное как зазор между медью или пластиной и краем, соответствует приемлемым стандартам для данного типа платы. производятся.Тщательная проверка конструкции на технологичность (DFM) вашим производителем обычно позволяет выявить любые потенциальные проблемы.

3. Плохая пайка

Неправильная пайка во время сборки печатной платы может привести к серьезным проблемам. Один из наиболее распространенных видов плохой пайки возникает, когда технический специалист недостаточно нагревает припой, что приводит к холодной пайке, которая может вызвать отказ печатной платы. Кроме того, влага во время процесса пайки может загрязнить контактную площадку печатной платы и другие компоненты. Это загрязнение может привести к возгоранию компонентов печатной платы и возникновению проблем с подключением.Компании часто используют визуальный или рентгеновский контроль для обнаружения плохой пайки.

4. Щепки

Щепки представляют собой узкие клинья из меди или паяльной маски, образующиеся в процессе производства печатных плат, и могут вызвать серьезные проблемы при изготовлении печатных плат. Эти осколки часто образуются в процессе травления и могут образовываться одним из двух способов.

Во-первых, осколки могут образовываться, когда вытравливается очень длинный и тонкий элемент медной маски или паяльной маски.В некоторых случаях эта лента отслаивается до того, как полностью растворяется. Эти отслоившиеся осколки могут плавать в химической ванне и потенциально могут приземлиться на другую плату, добавляя непреднамеренное соединение.

Другой способ получения лент — слишком узкий или слишком глубокий разрез конструкции печатной платы. Даже если они предназначены для того, чтобы оставаться прикрепленными к доске, если протравленный участок достаточно узкий или травление достаточно глубокое, полоска материала может полностью или частично отслоиться, образуя плавающую или отклеенную ленту.Оба эти варианта могут иметь серьезные негативные последствия для работы печатной платы.

Эти ленты могут соединяться с другими частями меди или обнажать медное покрытие, которое обычно закрывается паяльной маской. Первая проблема может вызвать короткое замыкание, что приведет к дефектной печатной плате, в то время как второй вариант может со временем привести к коррозии меди. Обе эти проблемы сокращают срок службы печатной платы.

Ленты можно избежать, создав секции с минимальной шириной, что снизит вероятность образования лент.Производитель обычно выявляет потенциальные осколки с помощью проверки DFM.

5. Отсутствует паяльная маска между контактными площадками

Паяльная маска — это слой поверх медного слоя печатной платы. Эта паяльная маска накладывается поверх слоя меди, чтобы изолировать следы меди от случайного контакта с другим металлом, припоем или токопроводящими насадками. Он также действует как барьер между медью и окружающей средой, предотвращая коррозию и защищая манипуляторов печатной платы от поражения электрическим током.Контактные площадки — это части металла, оставленные открытой платой для пайки, к которой припаяны компоненты.

На некоторых печатных платах паяльная маска может частично или полностью отсутствовать между контактными площадками. Это обнажает больше меди, чем необходимо, и может привести к случайному образованию паяных перемычек между контактами во время сборки. Это может привести к короткому замыканию, а также к снижению защиты от коррозии, что может отрицательно повлиять на функциональность и долговечность печатной платы.

Этот дефект обычно связан с недосмотром конструкции, когда паяльная маска не определена или настройки для большей платы переносятся на меньшую плату, в результате чего отверстия в контактных площадках просто слишком велики для меньшей печатной платы.Этого можно избежать, перепроверив дизайн перед отправкой производителю.

Тем не менее, упущения случаются, поэтому убедитесь, что у вас есть хороший производитель с надлежащим протоколом проверки DFM, поскольку эти производители могут выявить такие проблемы, прежде чем они станут реальной проблемой.

6. Кислотные ловушки

«Кислотная ловушка» — это общий термин для обозначения острых углов в цепи. Их называют так, потому что эти острые углы улавливают кислоту во время процесса травления ПХБ, позволяя кислоте накапливаться в углу.Угол функционально удерживает кислоту в углу дольше, чем предусмотрено конструкцией, в результате чего кислота разъедает больше, чем предполагалось. В результате кислота может нарушить соединение, сделав цепь неисправной и впоследствии вызывая более серьезные проблемы.

Большинство проектировщиков знают о проблемах, вызываемых острыми углами на печатной плате, и поэтому обучены их избегать. Однако ошибки случаются. Часто острые углы являются результатом простой человеческой ошибки, хотя некоторые программы проектирования могут также устанавливать для контуров острые углы, если настройки не отрегулированы должным образом.

Большинство дизайнеров поймают острые углы, перепроверив свою работу, хотя возможны и оплошности. В этом случае хороший производитель обнаружит эти ошибки с помощью DFM-проверки. Узнать цену и время выполнения

7. Некачественно изготовленные компоненты

Другая причина отказа печатной платы возникает, когда команда инженеров использует плохо изготовленные компоненты. Во время производства печатной платы физическое повреждение из-за использования неподходящих компонентов во время сборки электроники может повредить печатную плату и вызвать сбой питания.Общие дефекты сборки печатной платы из-за плохо изготовленных компонентов включают проблемы с подключением и незакрепленные детали.

Кроме того, остаточный флюс, вещество, используемое во время пайки, оставленный на панели печатной платы, может вызвать серьезные повреждения и привести к необходимости ремонта печатной платы. Успешные компании гарантируют, что они работают с производителями, которые используют высококачественные компоненты в своих печатных платах.

8. Голодные термики

Термики — это небольшие следы вокруг контактных площадок, которые используются для соединения контактных площадок с плоскостью.Эти термические элементы позволяют контактным площадкам более эффективно рассеивать тепло и являются важными компонентами в процессе пайки. Иногда, однако, пустоты между теплообменником и остальной частью плоскости или между теплообменником и подушкой могут привести к неполному соединению, что снижает эффективность системы теплопередачи, создаваемой этими теплообменниками. Это может привести к нескольким функциональным проблемам.

Изголодавшиеся термики требуют гораздо больше времени для передачи тепла от контактных площадок к остальной части плоскости, что может быть проблематичным во время пайки или если цепь находится под тепловым напряжением.Тепловая прокладка с неправильной теплопередачей может странно припаяться, и ее оплавление займет ненормально много времени, что замедлит процесс сборки. После изготовления печатные платы с недостаточной теплоотдачей могут страдать от недостаточной теплопередачи и могут быть более подвержены перегреву и тепловому повреждению.

Источник этой проблемы чаще всего находится в производственном процессе. Эти тепловые соединения обычно правильно привязаны к плоскому слою в системе автоматизированного проектирования (САПР), но каким-то образом производятся с уменьшенным соединением с остальной частью плоскости.Производственные проблемы во время термического формования или механической обработки, такие как чрезмерная обработка или неправильное формование, могут привести к этой проблеме. Чтобы решить эту проблему, обычно рекомендуется заменить терморегулятор.

Опытная производственная компания с высоким рейтингом может легко определить такие неисправные термические элементы и заменить их до того, как они вызовут проблемы на печатной плате.

Статистический анализ свойств обработки информации пластинчатых моделей кортикальных микросхем | Кора головного мозга

Аннотация

Основная задача вычислительной нейробиологии — понять вычислительную функцию пластин-специфических паттернов синаптических соединений в стереотипных кортикальных микросхемах.Предыдущая работа над этой проблемой была сосредоточена на гипотезах о конкретных вычислительных ролях отдельных слоев и связях между уровнями, и эти гипотезы были проверены путем моделирования абстрактных моделей нейронных сетей. Вместо этого мы подходим к этой проблеме, изучая динамическую систему, определяемую более реалистичными моделями кортикальных микросхем в целом, и исследуя влияние, которое ее ламинарная структура оказывает на передачу и слияние информации в этой динамической системе. Модели цепей, которые мы изучаем, состоят из нейронов Ходжкина-Хаксли с динамическими синапсами, что основано на подробных данных Томсона и др. (2002), Маркрама и др. (1998) и Гупты и др. (2000).Мы исследуем, в какой степени этот шаблон кортикальной микросхемы поддерживает накопление и слияние информации, содержащейся в общих импульсных входах, в слой 4 и слои 2/3 и насколько хорошо он делает эту информацию доступной для проекционных нейронов в слоях 2/3 и 5. продемонстрировать конкретные вычислительные преимущества такой модели кортикальной микросхемы, зависящей от пластинки, на основе данных путем сравнения ее производительности с различными типами управляющих моделей, которые имеют те же компоненты и одинаковую глобальную статистику нейронов и синаптических связей, но не имеют характерной для пластинки структуры реальных корковые микросхемы.Мы пришли к выводу, что компьютерное моделирование детальных пластинчатых моделей кортикальных микросхем дает новое представление о вычислительных последствиях анатомических и физиологических данных.

Введение

Неокортекс состоит из нейронов в различных пластинках, которые образуют четко структурированные микросхемы. Несмотря на многочисленные различия в зависимости от возраста, области коры и вида, многие свойства этих микросхем стереотипны, что позволяет предположить, что неокортикальные микросхемы являются вариациями общего шаблона микросхем (White 1989; Douglas and others 1995; Mountcastle 1998; Nelson 2002; Silberberg и другие 2002; Дуглас и Мартин 2004; Калисман и другие 2005).Можно предположить, что такой шаблон микросхемы отличается определенными функциональными свойствами, которые позволяют ему обслуживать огромные вычислительные и когнитивные возможности мозга более эффективно, чем, например, случайным образом подключенная схема с тем же количеством нейронов и синапсов. . Потенциальная вычислительная функция ламинарной структуры схемы уже рассматривалась в многочисленных статьях (см., Например, Raizada and Grossberg 2003; Treves 2003; Douglas and Martin 2004; и ссылки в этих недавних публикациях).Treves (2003) и Raizada и Grossberg (2003) исследовали конкретные гипотезы относительно вычислительной роли структуры, специфичной для ламины, и подтвердили эти гипотезы с помощью компьютерного моделирования довольно абстрактных моделей нейронных цепей.

Результаты Treves (2003) показывают, что в этой более абстрактной настройке структура ламинарной схемы дает небольшое преимущество в отношении разделения двух типов информации: в каком горизонтальном положении ввод схемы был введен (информация «где») и о конкретном шаблоне, который был введен туда («какая» информация).Мы дополняем этот анализ более внимательным изучением временной динамики информации в одном горизонтальном местоположении, точнее в одном столбце диаметром около 100 мкм. Мы обнаружили, что с этой точки зрения вычислительное преимущество ламинарных схем значительно больше: около 30% (в зависимости от конкретного типа задачи обработки информации), а не только 10%, как это наблюдалось в Treves (2003).

Стереотипная кортикальная микросхема — это очень повторяющаяся цепь, которая включает в себя множество наложенных друг на друга петель положительной и отрицательной обратной связи (Дуглас и Мартин 2004).Большинство методов, которые были разработаны в технических науках для проектирования и анализа таких рекуррентных схем, сосредоточены на системном поведении рекуррентной схемы в целом, поскольку оказалось невозможным понять возникающую динамику нелинейных рекуррентных схем только на основе на основе технических характеристик их компонентов. Эта системная точка зрения на стереотипные корковые микросхемы впервые была подчеркнута Дугласом и другими (1995) и привела к их определению абстрактной модели «канонической микросхемы».Дуглас и другие (1995) продемонстрировали, что подход этой системы обеспечивает новый способ понимания роли торможения в корковых микросхемах, в частности того, каким образом относительно небольшие изменения тормозной обратной связи могут вызывать большие изменения в усилении система. Однако в этих ранних моделях не учитывалась временная динамика нейрональной и синаптической активности. Также в то время было доступно гораздо меньше данных о стереотипных паттернах связи.Кроме того, ранее не предпринималось попыток проанализировать с помощью строгих статистических методов возникающие возможности обработки информации полученных в результате подробных моделей микросхем. Цель данной статьи — восполнить этот пробел.

Мы исследуем возможности обработки информации подробных моделей микросхем на основе данных Томсона и др. (2002) о вероятностях связей, специфичных для пластин, и силе связи между возбуждающими и тормозящими нейронами в слоях 2/3, 4, 5 и на данных. от Markram и др. (1998) и Gupta и др. (2000) относительно стереотипных динамических свойств (таких как парное подавление пульса и парное облегчение пульса) синаптических связей между возбуждающими и тормозящими кортикальными нейронами.Наш анализ основан на предположении, что стереотипные корковые микросхемы обладают некоторыми «универсальными» вычислительными возможностями и могут выполнять совершенно разные вычисления в различных областях коры. Следовательно, он концентрируется на общей способности обработки информации удерживать и объединять информацию, содержащуюся во входных цепочках импульсов Пуассона из 2 разных источников (моделирование таламического или коркового прямого ввода в слой 4 и латерального или нисходящего ввода в слои 2/3). . Кроме того, мы исследовали способность таких схемных моделей выполнять линейные и нелинейные вычисления для изменяющихся во времени скоростей срабатывания этих двух афферентных входных потоков.Чтобы избежать — обязательно весьма предвзятых — предположений о нейронном кодировании результатов таких вычислений, мы проанализировали информацию, которая доступна о результатах таких вычислений для обычных «нейронных пользователей», то есть пирамидных нейронов в слои 2/3 (которые обычно проецируются в верхние области коры) и пирамидные нейроны в слое 5 (которые обычно не только проецируются в нижние области коры или подкорковые структуры, но также проецируются, например, из V1 обратно в неспецифический таламус, т.е.е., к интраламинарным и срединным ядрам, которые не получают прямого первичного сенсорного ввода, и через это реле к более высоким кортикальным областям, см. Callaway 2004).

В отличие от модели Маасса и других (2002) (обсуждение см. В Destexhe and Marder 2004), мы не использовали простую линейную регрессию для оценки информации, доступной для таких считывающих нейронов, выход которых моделируется взвешенным сумма постсинаптических потенциалов (PSP) (с постоянной времени экспоненциального затухания 15 мс) в ответ на спайки от пресинаптических нейронов.Скорее, мы добавили сюда ограничение, согласно которому вклад возбуждающего (тормозящего) пресинаптического нейрона должен иметь положительный (отрицательный) вес в такой взвешенной сумме. Кроме того, мы приняли во внимание, что считывающий нейрон в слоях 2/3 или 5 получает синаптические входы только от довольно небольшого подмножества нейронов в микросхеме согласно данным Thomson и др. (2002) (что подразумевает, что в цепь из 560 нейронов, нейрон в слоях 2/3 имеет в среднем 84 пресинаптических нейрона, а нейрон в слое 5 имеет в среднем 109 пресинаптических нейронов, см. рис.1). Но, как и в более ранней модели, мы не изменили параметры синапсов в схеме для конкретных вычислительных задач, а только веса синаптических связей с такими символьными считывающими нейронами на уровнях 2/3 и 5 (которые не были смоделированы как часть схему в том смысле, что они не проецировались обратно в схему). (Это упрощение было сделано в этой статье из прагматических соображений, поскольку первые результаты по случаю с обратной связью [Maass and others 2005] предполагают, что это требует отдельного анализа).

Рисунок 1

Шаблон кортикальной микросхемы. Цифры у стрелок обозначают силу соединения (средняя амплитуда PSP, измеренная в соме в мВ) и вероятности соединения (в скобках) согласно Thomson и др. (2002) для соединений между корковыми нейронами в 3 разных слоях, каждый из которых состоит из возбуждающего (E ) и ингибирующая (I) популяция с предполагаемым максимальным горизонтальным расстоянием до 100 мкм. Большинство данных взяты из коры головного мозга крысы, за исключением соединений в слое 4 (курсив), которые взяты из cat.(Соединения от L2 / 3-I до L5-E описаны в Thomson and others [2002], но обсуждаются только качественно. Следовательно, запись для соединений от L2 / 3-I до L5-E [отмечена знаком вопроса ] является лишь экстраполяцией. То же самое относится и к соединениям от L4-I к L2 / 3-I. Никаких данных об амплитудах тормозных PSP от L5-I к L5-I не приводится в Thomson et al. [2002], следовательно, соответствующая запись является всего лишь предположением.) Проценты во входных потоках обозначают вероятности соединения для входных нейронов, используемых в наших симуляциях.Кроме того, каждый нейрон получает фоновый шум, отражающий синаптические входы от большого количества более удаленных нейронов (см. Методы).

Рисунок 1

Шаблон кортикальной микросхемы. Цифры у стрелок обозначают силу соединения (средняя амплитуда PSP, измеренная в соме в мВ) и вероятности соединения (в скобках) согласно Thomson и др. (2002) для соединений между корковыми нейронами в 3 разных слоях, каждый из которых состоит из возбуждающего (E ) и ингибирующая (I) популяция с предполагаемым максимальным горизонтальным расстоянием до 100 мкм.Большинство данных взяты из коры головного мозга крысы, за исключением соединений в слое 4 (курсив), которые взяты из cat. (Соединения от L2 / 3-I до L5-E описаны в Thomson and others [2002], но обсуждаются только качественно. Следовательно, запись для соединений от L2 / 3-I до L5-E [отмечена знаком вопроса ] является лишь экстраполяцией. То же самое относится и к соединениям от L4-I к L2 / 3-I. Никаких данных об амплитудах тормозных PSP от L5-I к L5-I у Томсона и др. [2002] не приводится, следовательно, соответствующая запись — это всего лишь предположение.) Проценты на входных потоках обозначают вероятности подключения для входных нейронов, используемых в нашем моделировании. Кроме того, каждый нейрон получает фоновый шум, отражающий синаптические входы от большого количества более удаленных нейронов (см. Методы).

Методы

Наиболее полный в настоящее время набор данных о вероятностях соединения и эффективности синаптических связей между 6 конкретными популяциями нейронов в корковых микросхемах (возбуждающие и тормозящие нейроны в слоях 2/3, 4 и 5) был собран в Thomson et al. (2002). ).Для сбора этих данных были сделаны внутриклеточные записи с помощью острых электродов от 998 пар идентифицированных нейронов. Всего было сделано 679 парных записей из соматосенсорных, моторных и зрительных зон взрослых крыс и 319 парных записей из зрительных зон взрослых кошек. Отбор проб производился случайным образом с латеральным разбросом 50–100 мкм (A. M. Thomson, личное сообщение). Для тех пар, где данные как от крысы, так и от кошки приведены в Thomson and others (2002), мы взяли данные от крысы (см. Рис.1). Только для пар нейронов в слое 4 данные по крысе у Thomson и др. (2002) не приводятся; следовательно, соответствующие данные на рисунке 1 взяты из cat. (Некоторые пары наблюдались редко, а соответствующие записи страдают от небольшого размера выборки [подробности см. В Thomson and others 2002]. Также очень маленькие нейроны у крысы могли быть пропущены [AM Thomson, личное сообщение]. Кроме того, возможно, что в некоторых кортикальных микросхемах существуют связи между парами нейронов, о которых не сообщалось в Thomson и др. [2002] [в случае соединений с тормозными нейронами в слоях 2/3, см., например, e.g., Dantzker and Callaway 2000]).

Параметры U, D и F были выбраны в нашей компьютерной модели из распределений Гаусса, которые отражают данные, представленные в Markram и др. (1998) и Gupta и др. (2000) для каждого типа соединения (обратите внимание, что параметр U согласно Markram и др. [1998] в значительной степени определяется вероятностью начального высвобождения задействованных сайтов синаптического высвобождения). В зависимости от того, был ли вход возбуждающим (E) или тормозящим (I), средние значения этих трех параметров U, D, F (с D, F , выраженными в секундах) были выбраны так, чтобы иметь средние значения, которые были сообщается в этих статьях (см. Таблицу 1).Стандартное отклонение (SD) каждого параметра было выбрано равным 50% от его среднего (с заменой отрицательных значений значениями, выбранными из равномерного распределения между нулем и двукратным средним).

Синаптические параметры, которые масштабируют краткосрочную динамику

Синаптические параметры, масштабирующие краткосрочную динамику

В качестве моделей возбуждающих и тормозных нейронов мы выбрали основанные на проводимости однокамерные модели нейронов Ходжкина-Хаксли с пассивными и активными свойствами, смоделированные согласно Destexhe и др. (2001) и Destexhe and Pare (1999).В соответствии с экспериментальными данными о пирамидных нейронах неокортекса и гиппокампа (Стюарт, Сакманн, 1994; Маги, Джонстон, 1995; Хоффман и др., 1997; Маги и др., 1998), активные токи содержат зависящий от напряжения ток Na ⁺ (Трауб и Майлз 1991) и выпрямителя с задержкой тока К ⁺ (Трауб и Майлз, 1991). Для возбуждающих нейронов в модель был включен неинактивирующий ток K ⁺ (Mainen и др., 1995), ответственный за адаптацию частоты спайков.Пиковая плотность проводимости для тока Na ⁺ и тока запаздывающего выпрямителя K ⁺ была выбрана равной 500 и 100 пСм / мкм ² , соответственно, а пиковая плотность проводимости для неинактивирующего тока K ⁺ был выбран равным 5 пСм / мкм ² . Площадь мембраны нейрона была установлена ​​равной 34 636 мкм ² , как у Destexhe и др. (2001). Для каждого моделирования начальные условия каждого нейрона, то есть напряжение на мембране в момент времени t = 0, выбирались случайным образом (равномерное распределение) из интервала [-70 мВ, -60 мВ].

Кортикальный нейрон получает синаптические входы не только от непосредственно соседних нейронов (которые были явно смоделированы в нашей компьютерной модели), но также и меньшие фоновые входные токи от большого количества более дистальных нейронов. Фактически, внутриклеточные записи у бодрствующих животных предполагают, что нейроны неокортекса подвергаются интенсивной бомбардировке фоновыми синаптическими входами, вызывая деполяризацию мембранного потенциала и более низкое входное сопротивление, обычно называемое «состоянием высокой проводимости» (для обзора, см. Destexhe and others 2003).Это было отражено в нашей компьютерной модели фоновыми входными токами, которые вводились в каждый нейрон (в дополнение к явно смоделированным синаптическим входам от афферентных соединений и нейронов в цепи). Проводимость этих фоновых токов моделировалась согласно Destexhe и др. (2001) как случайный процесс с одной переменной, аналогичный процессу Орнштейна-Уленбека со средним значением g _e = 0,012 мкСм и g _i = 0,057 мкСм, дисперсия σ _e = 0.003 мкСм и σ _i = 0,0066 мкСм, а постоянные времени τ _e = 2,7 мСм и τ _i = 10,5 мСм, где индексы e / i относятся к входной проводимости возбуждающего и тормозящего фона соответственно. Согласно Destexhe и др. (2001), эта модель захватывает спектральные и амплитудные характеристики входных проводимостей детальной биофизической модели неокортикальной пирамидной клетки, которая была сопоставлена ​​с внутриклеточными записями в теменной коре кошки in vivo. Кроме того, соотношение средних вкладов возбуждающей и тормозной фоновых проводимостей было выбрано равным 5 в соответствии с экспериментальными исследованиями во время сенсорных реакций (Borg-Graham and others 1998; Hirsch and others 1998; Anderson and others 2000).

Максимальные проводимости синапсов были выбраны из гауссова распределения со стандартным отклонением 70% от его среднего (с заменой отрицательных значений значениями, выбранными из равномерного распределения между нулем и двукратным средним). Средние максимальные проводимости синапсов были выбраны для воспроизведения средней амплитуды PSP, представленной на рисунке 1, при мембранном потенциале покоя (при наличии синаптической фоновой активности).

Два афферентных входных потока, каждый из которых состоит из 4 или 40 цепочек пиков (т.е., 4 или 40 входных каналов), были введены в схему. Каждый из каналов 1-го входного потока (представляющий таламический или прямой кортикальный вход) вводился не только в слой 4, то есть в 50% его тормозных нейронов и 80% его возбуждающих нейронов, но также и в 20% возбуждающих нейронов. нейроны в слоях 2/3 и 10% возбуждающих нейронов в слое 5 (все выбираются случайным образом). (Это входное распределение качественно отражает данные, приведенные в главе III White [1989], что «таламокортикальные афференты к синапсу 4 уровня не только с непирамидными нейронами 4 уровня, но и с широким спектром как пирамидных, так и непирамидных типов нейронов, чьи клеточные тела встречаются повсюду. слои 2–6.Таким образом, среднее количество входов, сходящихся к возбуждающему нейрону в слое 4, составляет 3,2 или 32. (Компьютерное моделирование предполагает, что меньшие вероятности подключения от внешних входных нейронов могут быть выбраны, если амплитуды результирующих PSP увеличиваются соответствующим образом. Для 40 входных каналов мы выполнили моделирование с более низким входным соединением для входного потока 1, сохранив при этом постоянное произведение амплитуды PSP и вероятности соединения. инвариантен к этим изменениям, даже если вероятности подключения для внешних входных нейронов уменьшены до 1/5 от ранее заданных значений.Это примерно находится в диапазоне, предполагаемом экспериментальными измерениями вариабельности возбуждающих постсинаптических потенциалов (ВПСП) в простых клетках зрительной коры головного мозга кошек с различными уровнями стимуляции латерального коленчатого ядра (LGN) (Ferster 1987) и экспериментами по взаимной корреляции между моносинаптическими связанных клеток LGN и зрительной коры головного мозга кошки (Tanaka 1983), что предполагает, что по крайней мере 10 клеток LGN обеспечивают вход в каждую простую клетку. Средняя проводимость входных синапсов была выбрана для генерации PSP со средней амплитудой 1.9 мВ при мембранном потенциале покоя (при наличии синаптической фоновой активности). Это значение соответствует нижней границе оценки воздействия коленчатого тела на один нейрон в слое 4 взрослых кошек, данной Chung and Ferster (1998). Он был умножен в наших симуляциях на параметр масштабирования S _I1 , который отражает биологически нереалистичное количество входных нейронов в этих симуляциях (см. Обсуждение ниже). Каждый из каналов 2-го афферентного входного потока вводился в 20% возбуждающих нейронов в слоях 2/3 (также со средней амплитудой 1.9 мВ, умноженное на другой параметр масштабирования S _I2 ).

Снижение производительности схем управления по сравнению со схемами, основанными на данных

Снижение производительности цепей управления по сравнению со схемами на основе данных

В целом остается 3 параметра, значения которых необходимо выбрать, чтобы получить функциональные компьютерные модели кортикальных микросхем.Эти параметры S _RW , S _I1 , S _I2 масштабируют (в виде мультипликативных множителей) амплитуды PSP для всех синаптических соединений в цепи (рекуррентные веса), амплитуды PSP из входного потока 1 и амплитуды EPSP из входного потока 2. Они должны быть выбраны таким образом, чтобы они учитывали разницу в масштабе между нашими смоделированными микросхемами и биологическими кортикальными микросхемами.Значения этих трех параметров не могут быть считаны из ранее упомянутых данных, и нужно подозревать, что адекватные значения зависят также от вида, от конкретной корковой микросхемы in vivo, которую человек хочет смоделировать, от текущего состояния различных гомеостатических процессов. , от текущего поведенческого состояния (включая внимание) организма и от силы текущего афферентного воздействия.

Параметр S _I1 был выбран таким образом, чтобы афферентный входной поток 1 (состоящий из 40 последовательностей пиков Пуассона с частотой 20 Гц) вызывал (без входного потока 2 и без повторяющихся соединений, т.е.е., S _RW установлен на 0) средняя частота возбуждения 15 Гц в слое 4. Параметр S _I2 был выбран аналогичным образом, так что афферентный входной поток 2 (сгенерированный как входной поток 1) вызвал средняя частота стрельбы 10 Гц в слоях 2/3. В любом случае был активирован только один из 2 входных потоков. С помощью этой процедуры мы получили S _I1 = 14 и S _I2 = 33. Для моделирования с входными потоками, состоящими из 4 последовательностей пиков Пуассона, мы умножили эти значения на 10.Входные синапсы были выбраны статическими, то есть синаптические параметры были установлены на U = 1, D = 0 и F = 0, а их максимальные проводимости были выбраны из гауссовского распределения с SD. 70% от его среднего (с заменой отрицательных значений значениями, выбранными из равномерного распределения между нулем и двукратным средним).

Параметр S _RW учитывает среднюю мощность синаптических входов в нейрон от других нейронов в цепи (кроме глобально смоделированного фонового синаптического входа, см. Выше), и, следовательно, разницу в размере цепи между наши смоделированные модели микросхем и настоящая кортикальная микросхема.Оказалось, что значение 60000 / (количество нейронов в моделируемой цепи) для S _RW получено в слое 5 моделируемой схемы для стандартных значений S _I1 и S _{. I2} — это реалистичная низкая, но значительная активизация возбуждения 8,5 Гц (см. Рис. 2), поэтому мы использовали это значение в качестве стандартного значения для S _RW . Это значение увеличивает среднее число 76 пресинаптических нейронов в цепи из 560 нейронов до 107 раз, давая, таким образом, в среднем 8132 пресинаптических нейрона.Это число согласуется с оценками общего числа синапсов на нейроне, данными Бинцеггером и другими (2004), которые варьируются от 2981 до 13 075 для разных типов клеток зрительной коры головного мозга кошек. Некоторый дополнительный синаптический ввод моделировался фоновым синаптическим вводом (см. Выше).

Рисунок 2

( A ) Два входных потока, каждый из которых состоит из 40 последовательностей пиков Пуассона (вход в слои 2/3 начинается здесь на 100 мс позже). ( B ) Спайк-растр модели корковой микросхемы на основе данных (состоящей из 560 нейронов) для 2 входных потоков, показанных в ( A ).Вертикальное измерение масштабируется в соответствии с количеством нейронов в каждом слое. Шипы тормозных нейронов показаны серым цветом. (Показатели активизации населения в разных слоях в некоторой степени, но не полностью коррелированы. Максимальный коэффициент корреляции между темпами роста населения в слоях 2/3 и 4, слоях 2/3 и уровне 5, а также в слое 4 и слое 5 [для t > 150 мс, размер ячейки 1 мс и произвольная задержка] составляет 0,62, 0,65 и 0,56 соответственно.) ( C ) Распределение скоростей воспламенения в ( B ) (после начала ввода в слои 2 / 3 и слой 4), демонстрируя автоматически возникающее экспоненциальное распределение скоростей возгорания в слое 5.Средняя частота стрельбы: 8,5 Гц. ( D ) Увеличение начального временного сегмента, показывающее распространение возбуждения от слоя 4 к поверхностным и глубоким слоям, что качественно совпадает с данными Армстронга-Джеймса и других (1992).

Рисунок 2

( A ) Два входных потока, каждый из которых состоит из 40 последовательностей импульсов Пуассона (вход в слои 2/3 начинается здесь на 100 мс позже). ( B ) Спайк-растр модели корковой микросхемы на основе данных (состоящей из 560 нейронов) для 2 входных потоков, показанных в ( A ).Вертикальное измерение масштабируется в соответствии с количеством нейронов в каждом слое. Шипы тормозных нейронов показаны серым цветом. (Показатели активизации населения в разных слоях в некоторой степени, но не полностью коррелированы. Максимальный коэффициент корреляции между темпами роста населения в слоях 2/3 и 4, слоях 2/3 и уровне 5, а также в слое 4 и слое 5 [для t > 150 мс, размер ячейки 1 мс и произвольная задержка] составляет 0,62, 0,65 и 0,56 соответственно.) ( C ) Распределение скоростей воспламенения в ( B ) (после начала ввода в слои 2 / 3 и слой 4), демонстрируя автоматически возникающее экспоненциальное распределение скоростей возгорания в слое 5.Средняя частота стрельбы: 8,5 Гц. ( D ) Увеличение начального временного сегмента, показывающее распространение возбуждения от слоя 4 к поверхностным и глубоким слоям, что качественно совпадает с данными Армстронга-Джеймса и других (1992).

Эти стандартные значения параметров S _RW , S _I1 , S _I2 использовались во всех наших компьютерных экспериментах, за исключением результатов, представленных на рисунках 10 и 11, где мы проанализировали влияние этих параметров на отчетные результаты.Там мы смоделировали модели схем со случайно выбранными значениями из независимых равномерных распределений в интервале [0,1 × стандартное значение, 3,1 × стандартное значение] для всех 3 параметров.

Наше компьютерное моделирование проверило, сколько информации о каждом предыдущем временном сегменте (длиной 30 мс) каждого из двух входных потоков было доступно гипотетическому проекционному нейрону в слоях 2/3 и гипотетическому проекционному нейрону в слое 5.. возбуждающие и тормозные пресинаптические нейроны для такого гипотетического считывающего нейрона выбирались случайным образом таким же образом, как и для любого другого возбуждающего нейрона в этом слое (т.е.е., согласно рис. 1), но никаких синаптических связей от считывающего нейрона обратно в схему не было. Это составило в среднем 84 пресинаптических нейрона для считывающего нейрона в слоях 2/3 и 109 пресинаптических нейронов для считывающего нейрона в слое 5. Вес синаптических связей от этих пресинаптических нейронов был оптимизирован для конкретных задач. В отличие от моделирования, описанного в Maass и др. (2002), результирующее количество входов в такой считывающий нейрон было намного меньше, чем размер схемы.Сами нейроны проекции или считывания были смоделированы как линейные нейроны, то есть их выход представлял собой взвешенную сумму спайков, отфильтрованных нижними частотами (экспоненциальный спад с постоянной времени 15 мс, моделирование постоянных времени синаптических рецепторов и мембраны считывающего устройства). нейрон). Были приняты меры, чтобы убедиться, что веса возбуждающих (тормозных) пресинаптических нейронов не могут стать отрицательными (положительными). Для этой цели мы использовали линейный метод наименьших квадратов с ограничениями неотрицательности (Lawson and Hanson 1974), чтобы оптимизировать веса для конкретной задачи.Это контрастирует с линейной регрессией, которая использовалась в Maass и др. (2002). Для каждого обучающего или тестового примера, который состоял из входа и целевого значения для считывающего нейрона, мы выполняли моделирование модели микросхемы. Каждый вход для считывающего нейрона был сгенерирован путем сбора отфильтрованной нижними частотами версии пресинаптических шипов для считывающего нейрона в момент времени t = 450 мс. Каждое соответствующее целевое значение было рассчитано для различных задач, описанных ниже (см. Результаты).Чтобы правильно применить линейный метод наименьших квадратов с ограничениями неотрицательности, последовательности импульсов тормозных (возбуждающих) нейронов были свернуты с отрицательными (положительными) экспоненциальными ядрами, а соответствующие веса считывания были умножены на -1 (+1) после обучения. Для задач классификации нейрон с линейным считыванием был обучен выводить метки классов, то есть 0 или 1, тогда как классификация была получена путем установления порога вывода на уровне 0,5 (аналогично порогу срабатывания реального коркового нейрона).Этот алгоритм дает весовой вектор < w _i ,… w _n > с w _i ≥ 0, если i -й пресинаптический нейрон считывания является возбуждающим. и w _i ≤ 0, если i -й пресинаптический нейрон является тормозящим. В рамках этих (линейных) ограничений эта ограниченная форма линейной регрессии минимизирует ошибку считывания в обучающих примерах.(В MATLAB можно выполнить этот алгоритм оптимизации с помощью команды LSQNONNEG.) Это обычно приводило к присвоению веса 0 (соответствующего молчащему синапсу в биологической цепи) примерно 2/3 этих синапсов. Следовательно, типичный считывающий нейрон имел менее 40 ненулевых весов и, следовательно, гораздо меньшую способность извлекать информацию по сравнению с моделью, рассмотренной в Maass и др. (2002).

Для каждого компьютерного моделирования было создано не менее 10 схем.Для экспериментов, показанных на рисунках 5 и 8, мы использовали 20 схем. Мы также генерировали новые шаблоны всплесков каждый раз, когда рисовалась новая схема, чтобы избежать случайной зависимости от свойств конкретных шаблонов всплесков. Для обучения считывающих нейронов мы выполнили 1500 симуляций со случайно выбранными пуассоновскими входами в течение 450 мс, а для тестирования были использованы 300 симуляций с новыми случайно сгенерированными входами. Планки погрешностей на рисунках обозначают стандартные ошибки. Все результаты производительности в этой статье (за исключением некоторых результатов диагностики, представленных на рис.8, см. Легенду) предназначены для тестовых входов, которые не использовались для обучения считыванию, а также для недавно сгенерированных случайных начальных условий и фонового шума для всех нейронов в цепи.

Все моделирование проводилось с помощью программного обеспечения CSIM (Natschläger и др., 2003) в сочетании с MATLAB.

Результаты

Инжекция 2 входных потоков, состоящих из цугов пуассоновских спайков, в слой 4 и слои 2/3 модели микросхемы вызвала отклик (см.рис.2), чье последовательное начало в разных слоях качественно совпадает с данными о корковых микросхемах in vivo (Armstrong-James и др., 1992). Кроме того, частота воспламенения в слое 5 автоматически приобретает биологически реалистичное экспоненциальное распределение (см., Например, v. Vreeswijk and Sompolinsky 1996, 1998; Amit and Brunel 1997; Baddeley and others 1997). (Распределение скоростей воспламенения в слоях 2/3 и 4 отражает типичное распределение скоростей последовательностей импульсов Пуассона, которые были вызваны пуассоновским вводом в эти слои.Рисунок 3 дает представление о довольно большой вариабельности активности зажигания внутри схемы для одних и тех же схем ввода пиков, что является результатом дрожания на входе пиков (верхний ряд) и внутреннего шума (нижний ряд) из-за введение случайно изменяющихся фоновых входных токов ко всем нейронам для моделирования условий in vivo (см. Методы). (Кроме того, для всех рассматриваемых впоследствии вычислительных задач независимо выбранные паттерны спайков были ранее введены в качестве афферентных входов, вызывая довольно большую дисперсию начальных состояний динамических синапсов.Таким образом, смоделированные схемы качественно отражают обычно наблюдаемую большую вариабельность нервных реакций in vivo от испытания к испытанию на повторение одного и того же стимула.

Рисунок 3

Влияние временного дрожания входных пиков (гауссово распределение со средним значением 0 и SD 1 мс) и фонового шума нейронов в цепи на отклик схемы (см. Методы). Строки в середине и вверху показывают растры пиков, полученные в результате 2 испытаний с идентичным фоновым шумом и с образцами пиков на входе, которые были идентичны, за исключением их временного дрожания.В нижнем ряду показано, насколько растр пиков для испытания с новым фоновым шумом и идентичными шаблонами пиков на входе отличается от такового для испытания, показанного в средней строке. Это иллюстрирует, что смоделированные цепи (которые были подвержены обоим источникам шума) качественно отражают обычно наблюдаемую большую вариабельность нервных реакций in vivo от испытания к испытанию на повторение одного и того же стимула.

Рисунок 3

Влияние временного джиттера входных всплесков (гауссово распределение со средним значением 0 и SD 1 мс) и фонового шума нейронов в цепи на отклик цепи (см. Методы).Строки в середине и вверху показывают растры пиков, полученные в результате 2 испытаний с идентичным фоновым шумом и с образцами пиков на входе, которые были идентичны, за исключением их временного дрожания. В нижнем ряду показано, насколько растр пиков для испытания с новым фоновым шумом и идентичными шаблонами пиков на входе отличается от такового для испытания, показанного в средней строке. Это иллюстрирует, что смоделированные цепи (которые были подвержены обоим источникам шума) качественно отражают обычно наблюдаемую большую вариабельность нервных реакций in vivo от испытания к испытанию на повторение одного и того же стимула.

Мы протестировали эти модели микросхем на множестве общих задач обработки информации, которые, вероятно, будут связаны с реальными вычислительными задачами нейронных микросхем в коре головного мозга: Для задач обработки информации с шаблонами спайков мы случайным образом сгенерировали шаблоны паттернов спайков, состоящие из 30 мс сегментов 40 последовательностей пуассоновских спайков на частоте 20 Гц (см. рис. 4). Точнее, последовательности пиков каждого из 2 входных потоков имели длину 450 мс и состояли из 15 последовательных временных сегментов длиной 30 мс.Для каждого сегмента случайным образом были сгенерированы 2 шаблона паттернов шипов. Для фактического ввода один из 2 шаблонов каждого временного сегмента был выбран случайным образом (с равной вероятностью) и его вариация с шумом, где каждый всплеск перемещался на величину, взятую из распределения Гаусса со средним значением 0 и SD 1 мс (см. панель с правой стороны рис. 4) была введена в схему. Такой временной джиттер на входе пиков вызывает значительные изменения в отклике схемы (см. Рис. 3), и для считывающих нейронов классифицировать паттерны спайков является нетривиальной задачей, несмотря на эту довольно большую вариабельность отклика схемы от испытаний к испытаниям. .Мы также протестировали ретроактивную классификацию предыдущих паттернов спайков, которые были введены за 30 мс до этого и, следовательно, были «перезаписаны» независимо выбранными последующими паттернами спайков. Кроме того, было исследовано нелинейное вычисление исключающего ИЛИ (исключающее ИЛИ) для шаблонов пиков в 2 параллельных входных потоках, чтобы проверить способность схемы извлекать и комбинировать информацию из обоих входных потоков нелинейным образом. Задача состоит в том, чтобы вычислить XOR (XOR выводит 1, если ровно один из его 2 входных битов имеет значение 1, он выводит 0, если входные биты равны 00 или 11) двух битов, которые представляют метки двух шаблонов, из которых были сгенерированы самые последние образцы всплесков в 2 входных потоках (например,g., его целевой выход равен 1 для обоих временных сегментов для входа, показанного в правой части рис. 4). Обратите внимание, что это вычисление включает в себя операцию нелинейной привязки к шаблонам всплесков, потому что оно должно давать низкое выходное значение тогда и только тогда, когда либо шумные версии шаблонов всплесков с меткой 1 появляются как во входных потоках 1 и 2, либо если зашумленная версия шаблона шаблоны всплесков с меткой 0 появились как во входном потоке 1, так и во входном потоке 2.

• классификация шаблонов всплесков в любом из двух афферентных входных потоков (требующая инвариантности к шуму и всплеску входного сигнала из другого входного потока)

• временная интеграция информации, содержащейся в таких шаблонах всплесков

• Объединение информации из шаблонов всплесков в обоих входных потоках нелинейным образом (связанное с задачами «привязки»)

• вычислений в реальном времени для скоростей активации из обоих входных потоков.

Рисунок 4

Распределения входных данных для классификации паттернов спайков и задач XOR. Задача состоит в том, чтобы вычислить XOR двух битов, которые представляют метки 2 шаблонов, из которых были сгенерированы самые последние шаблоны всплесков в 2 входных потоках, то есть классифицировать как 1, если их метки шаблонов различны, и 0 в противном случае. . Последовательности пиков каждого из 2 входных потоков имели длину 450 мс и состояли из 15 временных сегментов длиной 30 мс. Для каждого сегмента случайным образом были сгенерированы 2 шаблона (40 последовательностей пуассоновских спайков при 20 Гц).Фактические последовательности пиков каждого входа длиной 450 мс, используемые для обучения или тестирования, были сгенерированы путем выбора для каждого сегмента одного из 2 ранее выбранных связанных шаблонов, а затем создания версии с дрожанием путем перемещения каждого пика на величину, взятую из распределения Гаусса с среднее значение 0 и стандартное отклонение 1 мс (образец показан на панели справа).

Рисунок 4

Распределения входных данных для классификации паттернов спайков и задач XOR. Задача состоит в том, чтобы вычислить XOR двух битов, которые представляют метки 2 шаблонов, из которых были сгенерированы самые последние шаблоны всплесков в 2 входных потоках, то есть классифицировать как 1, если их метки шаблонов различны, и 0 в противном случае. .Последовательности пиков каждого из 2 входных потоков имели длину 450 мс и состояли из 15 временных сегментов длиной 30 мс. Для каждого сегмента случайным образом были сгенерированы 2 шаблона (40 последовательностей пуассоновских спайков при 20 Гц). Фактические последовательности пиков каждого входа длиной 450 мс, используемые для обучения или тестирования, были сгенерированы путем выбора для каждого сегмента одного из 2 ранее выбранных связанных шаблонов, а затем создания версии с дрожанием путем перемещения каждого пика на величину, взятую из распределения Гаусса с среднее значение 0 и стандартное отклонение 1 мс (образец показан на панели справа).

Кроме того, мы проанализировали линейные и нелинейные вычисления для изменяющихся во времени скоростей срабатывания 2 входных потоков. Последовательности пиков каждого из 2 входных потоков имели длину 450 мс и состояли из 15 последовательных временных сегментов длиной 30 мс. Для каждого входного потока и каждого временного сегмента были сгенерированы 4 последовательности пиков Пуассона со случайно выбранной частотой от 15 до 25 Гц. Фактические скорости воспламенения, использованные для вычислений этих входных скоростей воспламенения, были рассчитаны на основе этих последовательностей импульсов со скользящим окном шириной 15 мс.Для этих тестов мы использовали входные потоки, состоящие всего из 4 цепочек пиков, потому что производительность как схем на основе данных, так и схем управления была довольно низкой, если входные скорости были представлены 40 цепями пиков.

Новые вычислительные свойства моделей микросхем на основе данных показаны на рисунке 5 (серые столбцы). Производительность обученных считываний для тестовых входных данных (которые генерируются из того же распределения, что и обучающие примеры, но не показаны во время обучения) была измерена для всех задач двоичной классификации с помощью коэффициента каппа, который находится в диапазоне [-1, 1], и принимает значение ≥0 тогда и только тогда, когда результирующая классификация тестовых примеров дает меньше ошибок, чем случайное предположение.(Коэффициент каппа измеряет процент согласия между двумя классами, ожидаемыми сверх случайности, и определяется как ( P _o — P _c ) / (1 — P _c ), где P _o — наблюдаемое совпадение, а P _c — случайное совпадение. Таким образом, для классификации на 2 одинаково часто встречающихся класса получается P _c = 0,5.) Для задач, требующих аналогового вывода. значение, производительность обученного считывания измерялась на тестовых примерах по его коэффициенту корреляции с аналоговым целевым выходом.Точность вычислений, достигаемая обученными нейронами считывания из моделей микросхем с ламинарной структурой на основе данных, сравнивается с точностью, достигаемой обученными нейронами считывания из схем управления (черные полосы на рис. 5), чья ламинарная структура связности на основе данных была зашифрована. путем замены исходных и целевых нейронов каждого синаптического соединения в цепи на случайно выбранные нейроны того же типа, то есть возбуждающие или тормозящие нейроны, при условии, что синаптическое соединение не возникает дважды (мы обычно будем называть эти модели схем как аморфные схемы).Обратите внимание, что эта процедура не изменяет общее количество синапсов, выравнивание типа синапса в отношении пре- и постсинаптического типа нейрона, глобальное распределение синаптических весов или других синаптических параметров или наборы нейронов, которые получают афферентные входы или обеспечивают вывод на считывающие нейроны. Структура связности аморфных цепей (помимо различных вероятностей связи между популяциями возбуждающих и тормозных нейронов и внутри них) идентична структуре графов, изучаемых в классической теории случайных графов (Bollobas 1985) (с 4 вероятностями связи для этих двух популяций). взяты из схем на основе данных).

Рисунок 5

Производительность обученных нейронов с линейным считыванием на уровнях 2/3 и уровне 5 (см. Методы) для различных задач классификации по шаблонам пиков и вычислений, выполняемых на скоростях двух входных потоков, как для моделей ламинарных микросхем на основе данных (серые полосы) и для цепей управления, в которых ламинарная структура была зашифрована (черные полосы). tcl _1/2 ( t ) обозначает обратную классификацию зашумленных паттернов всплесков (входные данные были сгенерированы, как показано на рис.4) во входных потоках 1 или 2, которые были введены в течение предыдущего временного интервала [ t — 30 мс, t ] в 2 класса в соответствии с шаблоном, из которого был сгенерирован каждый образец всплеска. tcl _1/2 ( t — Δ t ) относится к более сложной задаче классифицировать во время t пиковый образец перед последним, который был введен в течение временного интервала [ t — 60 мс, t — 30 мс]. Для классификации XOR задача состоит в том, чтобы вычислить в момент времени t = 450 мс XOR меток шаблона (0 или 1) обоих входных потоков, введенных в течение предыдущего временного сегмента [420 мс, 450 мс].Справа результаты вычислений в реальном времени для изменяющихся во времени скоростей стрельбы r ₁ ( t ) входного потока 1 и r ₂ ( t ) из входной поток 2 (оба состоят из 4 последовательностей импульсов Пуассона с независимо изменяющимися скоростями воспламенения в 2 входных потоках). Белые полосы показывают результаты производительности для 2 целевых функций r ₁ ( t ) / r ₂ ( t ) и ( r ₁ ( t ) — r ₂ ( t )) ² , а жирные столбцы — производительность нелинейных компонентов этих вычислений в реальном времени в любое время 30 мс).

Рисунок 5

Производительность обученных нейронов с линейным считыванием на уровнях 2/3 и уровне 5 (см. Методы) для различных задач классификации по шаблонам пиков и вычислений, выполняемых на скоростях двух входных потоков, как для ламинарной микросхемы на основе данных модели (серые полосы) и для цепей управления, в которых ламинарная структура была зашифрована (черные полосы). tcl _1/2 ( t ) обозначает обратную классификацию зашумленных паттернов всплесков (входные данные были сгенерированы, как показано на рис.4) во входных потоках 1 или 2, которые были введены в течение предыдущего временного интервала [ t — 30 мс, t ] в 2 класса в соответствии с шаблоном, из которого был сгенерирован каждый образец всплеска. tcl _1/2 ( t — Δ t ) относится к более сложной задаче классифицировать во время t пиковый образец перед последним, который был введен в течение временного интервала [ t — 60 мс, t — 30 мс]. Для классификации XOR задача состоит в том, чтобы вычислить в момент времени t = 450 мс XOR меток шаблона (0 или 1) обоих входных потоков, введенных в течение предыдущего временного сегмента [420 мс, 450 мс].Справа результаты вычислений в реальном времени для изменяющихся во времени скоростей стрельбы r ₁ ( t ) входного потока 1 и r ₂ ( t ) из входной поток 2 (оба состоят из 4 последовательностей импульсов Пуассона с независимо изменяющимися скоростями воспламенения в 2 входных потоках). Белые полосы показывают результаты производительности для 2 целевых функций r ₁ ( t ) / r ₂ ( t ) и ( r ₁ ( t ) — r ₂ ( t )) ² , а жирные столбцы — производительность нелинейных компонентов этих вычислений в реальном времени в любое время 30 мс).

Рисунок 5 показывает, что схемы на основе данных работают значительно лучше для большинства рассмотренных задач обработки информации, за исключением задач скорости для считывающего нейрона на уровне 5 и задачи tcl ₂ ( t −Δ t ) для считывающего нейрона в слоях 2/3 (для которых повышение производительности не было значительным). В частности, потенциальные проекционные нейроны в слоях 2/3 и уровне 5 имеют в ламинарной цепи на основе данных лучший доступ к информации, содержащейся в текущем и предшествующем паттернах спайков из любого афферентного входного потока.Результаты показывают, что потенциальные считывающие нейроны могут классифицировать паттерны спайков от любого афферентного входного потока независимо от одновременно вводимого паттерна спайков в другом входном потоке (и независимо от довольно высокой вариабельности от испытания к испытанию, показанной на рис. 3). Одна интересная деталь может быть замечена для двух задач, связанных с расчетами скоростей стрельбы. Здесь производительность схем, основанных на данных, и схем управления примерно одинакова (см. Белые полосы на рис.5), но показания со слоев 2/3 работают для схем на основе данных значительно лучше на нелинейной составляющей этих вычислений (см. Жирные полосы перед белыми полосами на рис.5). (Эта нелинейная составляющая целевых функций r ₁ / r ₂ и ( r ₁ — r ₂ ) ² в результате вычитания из этих функций [для рассмотрено распределение r ₁ , r ₂ ] оптимально подобранная линейная функция).

Фактическая производительность, достигаемая с помощью обученных считываний с моделей микросхем, зависит от размера схемы (теоретические результаты предсказывают, что она автоматически улучшится при увеличении размера схемы [Maass and others 2002]).Это показано на рисунке 6 для одной из вычислительных задач, рассмотренных на рисунке 5 (XOR меток шаблонов всплесков из 2 афферентных входных потоков), как для схем на основе данных, так и для схем управления. На рисунке 6 также показано, что превосходные характеристики схем, основанных на данных, не зависят от размера схемы. Улучшение производительности схем, состоящих из 1000 нейронов, по сравнению со схемами, состоящими из 160 нейронов, несколько меньше для задач скорости. Например, производительность считывающего нейрона в слоях 2/3 или уровне 5, обученных для двух задач скорости r ₁ / r ₂ и ( r ₁ — r ₂ ) ² увеличивается в среднем только на 25% для схем на основе данных и на 20% для аморфных схем.

Рисунок 6

Производительность (см. Методы) проекционных нейронов на уровнях 2/3 и уровне 5 для различных размеров схемы, с ламинарной структурой на основе данных и без нее, для вычисления задачи XOR. Эти результаты показывают, что превосходные характеристики схем на основе данных не зависят от размера схемы.

Рисунок 6

Производительность (см. Методы) проекционных нейронов на уровнях 2/3 и уровне 5 для различных размеров схемы, с ламинарной структурой на основе данных и без нее, для вычисления задачи XOR.Эти результаты показывают, что превосходные характеристики схем на основе данных не зависят от размера схемы.

Предыдущие результаты показывают, что микросхемы с ламинарной структурой на основе данных обладают превосходными вычислительными возможностями для большого разнообразия вычислительных задач. Возникает вопрос «почему» это так. Мы подходим к этому вопросу с двух разных точек зрения. Сначала мы исследуем, какие аспекты структуры схемы на основе данных важны для их превосходной производительности.Очевидно, что наша процедура создания аморфных схем разрушает не только слоистую структуру схем на основе данных, но и другие структурные свойства, такие как распределение степеней узлов в нижележащем графе связности и его кластерная структура. Поэтому мы вводим 3 дополнительных типа схем управления, чтобы проанализировать влияние конкретных конструктивных особенностей на производительность. Во-вторых, мы демонстрируем характерную черту внутренней динамики этих различных типов схем, которая коррелирует с их вычислительной производительностью.

Мы сначала изучили вычислительное влияние свойств малого мира схем, основанных на данных. Сети малого мира были охарактеризованы Уоттсом и Строгатцем (1998) с помощью двух свойств. У них более высокий коэффициент кластеризации (измеряемый долей непосредственных соседей узлов в графе, которые связаны ссылкой), чем у аморфных цепей, при сохранении сопоставимой средней длины кратчайшего пути. (Обратите внимание, что оба свойства относятся к структуре нижележащего «неориентированного» графа, в котором направленные ребра заменены неориентированными ссылками.Основанные на данных модели кортикальных микросхем на самом деле имеют свойства маленького мира в соответствии с этим определением, потому что их коэффициент кластеризации (который имеет значение 36%) на 38% выше, чем в аморфных цепях, тогда как их средняя длина кратчайшего пути примерно такая же. (1,75 ссылки). (Кортикальные связи на больших расстояниях в мозге кошек и макак обезьян имеют коэффициенты кластеризации 55% и 46% соответственно, как сообщается в Hilgetag и др. [2000]). Чтобы решить, достаточно ли этих свойств небольшого мира для создания превосходных вычислительных свойств схем на основе данных, мы создали схемы управления, которые имеют такой же размер, коэффициент кластеризации и среднюю кратчайшую длину пути, что и схемы на основе данных по пространственному алгоритм роста, описанный в Kaiser and Hilgetag (2004) (с параметрами α = 4, β = 1.32 и 560 узлов). Впоследствии эти неориентированные графы были преобразованы в ориентированные графы путем случайной замены каждого ребра синапсом (в случайной ориентации) или взаимной синаптической связью с вероятностью, так что общее количество синаптических связей и взаимных синаптических связей идентично соответствующему количеству для схемы на основе данных. (Следует отметить, что эта процедура не воспроизводит такую ​​же долю типов синапсов, как для схем на основе данных и аморфных схем).

Для 3-го типа схемы управления мы рассмотрели схемы, которые имеют такое же распределение входных и исходящих степеней для нейронов, что и схемы, основанные на данных. Входящая и исходящая степень нейрона определяется как общее количество входящих и исходящих синаптических соединений, соответственно.

Для этой цели мы сгенерировали схемы на основе данных и впоследствии обменивались целевыми нейронами случайно выбранных пар синапсов с пре- и постсинаптическими нейронами той же категории (возбуждающие или тормозящие), пока не исчезла ламинарно-специфическая структура связности (нет обмен был произведен, если какое-либо из двух образовавшихся новых соединений уже существовало).Этот тип схемы также имеет свойства маленького мира, но средний коэффициент кластеризации был меньше, чем для схем, основанных на данных (всего на 27% выше, чем в аморфных сетях). Мы называем этот тип цепей цепями с регулируемой степенью.

Цепи, управляемые степенями, сохраняют распределение степеней между нейронами, которые получают внешний ввод или обеспечивают ввод для считывающего нейрона. Поэтому мы добавили схемы управления, называемые схемами с управляемой степенью без специфичности ввода или вывода, путем случайного обмена нейронами на разных уровнях схем со степенью управления.Распределение степеней нейронов для всех 5 типов цепей показано на рисунке 7.

Рисунок 7

Распределение нейронов в разных популяциях для 5 типов цепей (усредненное по 100 цепям). Все схемы имеют распределения степеней, которые могут быть лучше аппроксимированы суммами гауссианов, чем степенной закон вида P ( d ) ∝ d ^−γ для нейронов степени d и положительная константа γ ( я.е., схемы не свободны от масштаба). Коэффициенты корреляции для наименьших квадратов для сумм гауссиан и степенных распределений составляют> 0,96 и <0,08, соответственно. Таким образом, ни одна из этих схем не является безмасштабной, что показывает, что их различие в производительности не может быть объяснено на основе этой концепции. Вычислительный анализ (см. Таблицу 2) подразумевает, что различные местоположения пиков для разных уровней схем, основанных на данных, важны для их превосходных вычислительных характеристик.

Рисунок 7

Распределение нейронов в разных популяциях для 5 типов цепей (среднее по 100 цепям). Все схемы имеют распределения степеней, которые могут быть лучше аппроксимированы суммами гауссианов, чем степенной закон вида P ( d ) ∝ d ^−γ для нейронов степени d и положительная константа γ ( т.е. схемы не свободны от масштаба). Коэффициенты корреляции для наименьших квадратов для сумм гауссианов и степенных распределений> 0.96 и <0,08 соответственно. Таким образом, ни одна из этих схем не является безмасштабной, что показывает, что их различие в производительности не может быть объяснено на основе этой концепции. Вычислительный анализ (см. Таблицу 2) подразумевает, что различные местоположения пиков для разных уровней схем, основанных на данных, важны для их превосходных вычислительных характеристик.

Важной структурной особенностью всех типов цепей, рассмотренных до сих пор, является выравнивание типа синапса относительно пре- и постсинаптического типа нейрона в соответствии с таблицей 1.Чтобы проанализировать влияние выравнивания динамических синапсов на производительность, мы случайным образом обменяли триплеты синаптических параметров, то есть U, D и F , которые определяют краткосрочную пластичность между всеми синапсами. В последнем типе схемы управления мы заменили все динамические синапсы статическими синапсами (с измененными весами, чтобы средняя частота срабатывания в слое 5 оставалась неизменной).

Сводные характеристики всех 7 различных типов цепей управления показаны в таблице 2.Свойство малого мира в некоторой степени увеличивает производительность аморфных схем, но более важной структурной особенностью является распределение степеней, определяемое схемами на основе данных. Если это распределение степеней соответствует распределению степеней схем на основе данных для каждого отдельного уровня и, следовательно, соответствует также конкретной топологии ввода и вывода схем на основе данных, средняя производительность сопоставима с производительностью схем на основе данных. Таблица 2 также показывает (см. Столбец 5), что назначение типов синапсов на основе данных (в соответствии с таблицей 1) необходимо для хорошей вычислительной производительности.Последний столбец показывает, что схемы со статическими синапсами также имеют худшие вычислительные свойства.

Чтобы выяснить взаимосвязь между внутренними свойствами динамики схемы и вычислительной производительностью, мы более подробно изучили одну фундаментальную, но относительно простую задачу обработки информации: ретроактивную классификацию паттернов спайков на 2 класса, несмотря на шум. Точнее, задача заключалась в том, чтобы классифицировать входные последовательности пиков 2 × 4, сгенерированные из 2 шаблонов (как на рис.4) на 2 класса, несмотря на последующий период ожидания в 100 мс (в течение которого в каждом случае вводились идентичные последовательности пиков), и несмотря на сильно различающиеся начальные условия (вызванные разными предшествующими входными пиками) и относительно высокий внутренний шум, который моделирует бомбардировку несвязанным фоновым синаптическим входом в состоянии с высокой проводимостью (сравните средний и нижний ряды на рис. 3, чтобы увидеть стохастические изменения в спайковой реакции, вызванной последним). Эта задача проверяет способность схем поддерживать информацию о паттернах всплесков, которые были введены более 100 мс назад.Эта информация уменьшается из-за шума, возникающего из-за внутреннего шума в нейронах и изменения начальных условий (внутриклассовая дисперсия). Пунктирные серые линии на рисунке 8 показывают, что считывающие нейроны в слоях 2/3 и уровне 5 схем, основанных на данных, могут довольно быстро обучаться на относительно небольшом количестве обучающих примеров, чтобы угадать, какой из двух фиксированных паттернов спайков был ранее введен. Сравнение с черными линиями показывает, что их ошибка на новых примерах этой задачи (ошибка теста) значительно меньше, чем у считывающих нейронов в аморфных схемах управления.Более того, это преимущество не уменьшается, когда становится доступным больше обучающих примеров. Превосходство считывания из схем на основе данных является результатом как лучшего соответствия обучающим данным (сплошные кривые на рис. 8), так и меньшей ошибки обобщения (= расстояние между сплошной и пунктирной кривой). (Обратите внимание, что все типы схем имеют для меньшего количества обучающих примеров меньшую ошибку на обучающем наборе, но большую ошибку на тестовом наборе из-за хорошо известного эффекта переобучения, который широко изучается в статистической теории обучения [Vapnik 1998] ).

Рисунок 8

Ошибка обучения и тестирования считываний из моделей на основе данных и моделей аморфных микросхем в зависимости от размера обучающей выборки. Задача заключалась в обратной классификации 2 случайно созданных паттернов спайков длиной 100 мс (состоящих из 4 последовательностей спайков Пуассона с частотой 20 Гц) после того, как идентичный ввод длительностью 100 мс был впоследствии введен в схему, несмотря на различные начальные условия (вызванные независимыми генерируются предыдущие входные сигналы пуассоновских всплесков того же типа) и шумные фоновые входные токи, как и раньше.На верхней панели показаны характеристики потенциального считывающего нейрона в слоях 2/3 с 84 пресинаптическими нейронами, обученными с помощью линейной регрессии с ограничениями по знакам (см. Методы). На нижней панели показаны характеристики потенциального считывающего нейрона в слое 5 со 109 пресинаптическими нейронами. Оба типа считывания лучше работают для ламинарной схемы на основе данных как на обучающем наборе (с новыми случайными рисунками начальных условий и фонового шума), так и на тестовом наборе. Это справедливо для всех рассматриваемых размеров обучающей выборки.

Рисунок 8

Ошибка обучения и тестирования считываний из моделей микросхем на основе данных и аморфных микросхем в зависимости от размера обучающей выборки. Задача заключалась в обратной классификации 2 случайно созданных паттернов спайков длиной 100 мс (состоящих из 4 последовательностей спайков Пуассона с частотой 20 Гц) после того, как идентичный ввод длительностью 100 мс был впоследствии введен в схему, несмотря на различные начальные условия (вызванные независимыми генерируются предыдущие входные сигналы пуассоновских всплесков того же типа) и шумные фоновые входные токи, как и раньше.На верхней панели показаны характеристики потенциального считывающего нейрона в слоях 2/3 с 84 пресинаптическими нейронами, обученными с помощью линейной регрессии с ограничениями по знакам (см. Методы). На нижней панели показаны характеристики потенциального считывающего нейрона в слое 5 со 109 пресинаптическими нейронами. Оба типа считывания лучше работают для ламинарной схемы на основе данных как на обучающем наборе (с новыми случайными рисунками начальных условий и фонового шума), так и на тестовом наборе. Это справедливо для всех рассматриваемых размеров обучающей выборки.

Более внутреннее объяснение лучшей вычислительной производительности ламинарных схем на основе данных дает теория вычислений в динамических системах (для обзора см. Legenstein and Maass 2005). На рисунке 9 показано, что схема на основе данных работает в значительно менее хаотическом режиме, чем аморфная схема управления. Его чувствительность к незначительным различиям в начальных условиях также меньше, чем у других трех типов схем управления, которые сохраняют выбранные аспекты структуры сети на основе данных.Менее хаотическая динамика подразумевает лучшую способность обобщения новых входных данных для многих различных типов динамических систем. Это наблюдение представляет интерес, поскольку можно предположить, что количество синапсов на нейрон является важным параметром, определяющим степень хаоса в цепи. Но все схемы, результаты которых представлены на рисунке 9, имеют одинаковое количество синапсов.

Рисунок 9

Евклидовы расстояния в траекториях состояний схемы (точнее: от входных векторов до считываемых нейронов в слоях 2/3 и в слое 5) в результате перемещения одиночного входного пика (на 100 мс) на 0.5 мс. Показано среднее значение моделирования 400 случайно сгенерированных цепей с различными начальными условиями и фоновым шумом. Начальные условия и внутренний шум были выбраны идентичными в обоих испытаниях каждого моделирования, как и в стандартных тестах для оценки показателя Ляпунова (детерминированных) динамических систем, см. Legenstein and Maass (2005). Кривые показывают устойчивые различия в евклидовом расстоянии между состояниями цепей, которые примерно в два раза больше для аморфных цепей, тем самым указывая на более хаотическую динамику, чем в ламинарных цепях с тем же количеством нейронов и синапсов.

Рисунок 9

Евклидовы расстояния в траекториях состояний схемы (точнее: от входных векторов до считывающих нейронов в слоях 2/3 и в слое 5) в результате перемещения одиночного входного пика (на 100 мс) на 0,5 мс. Показано среднее значение моделирования 400 случайно сгенерированных цепей с различными начальными условиями и фоновым шумом. Начальные условия и внутренний шум были выбраны идентичными в обоих испытаниях каждого моделирования, как и в стандартных тестах для оценки показателя Ляпунова (детерминированных) динамических систем, см. Legenstein and Maass (2005).Кривые показывают устойчивые различия в евклидовом расстоянии между состояниями цепей, которые примерно в два раза больше для аморфных цепей, тем самым указывая на более хаотическую динамику, чем в ламинарных цепях с тем же количеством нейронов и синапсов.

Сплошные кривые на рисунке 8 показывают, что еще одна причина лучшей вычислительной производительности моделей цепей на основе данных заключается в том, что синаптические веса их считывающих нейронов могут лучше соответствовать обучающим данным. Этот факт можно объяснить с точки зрения «классовой дисперсии» состояний схемы большой размерности, вызванной изменением начальных условий и внутреннего шума (для повторных испытаний с одним и тем же импульсом на входе схемы).Корреляция между этой классовой дисперсией обучающих данных и ошибкой классификации обученных считываний тестовых данных для задачи, рассмотренной на рисунке 8, составляла 0,80 для показаний из слоев 2/3 и 0,72 для показаний из уровня 5 для ламинарных схем на основе данных. .

На рис. 10 показано, что для аморфных цепей управления это внутриклассовое отклонение обычно больше. Кроме того, на рисунке 10 показано, что эта функция подавления шума динамики в ламинарных схемах на основе данных не является случайным свойством фиксированной настройки трех параметров S _RW , S _I1 , S _I2 (который масштабирует веса повторяющихся синаптических соединений, амплитуды входного потока 1 и амплитуды входного потока 2), который мы использовали для моделирования, о котором сообщалось до сих пор (см. Методы).На рисунке 10 показано, что эта функция подавления шума появляется также для всех других (случайно выбранных) настроек этих параметров, которые были протестированы.

Рисунок 10

Структура схемы на основе данных снижает влияние шума. Для каждого из 2 типов схем, то есть для схем на основе данных и аморфных схем, было сгенерировано 50 схем, и 500 идентичных входов, сгенерированных для задачи на рисунке 8, были введены в каждую из них. Разница в дисперсии откликов цепей (в среднем по 50 цепям) оценивалась с точки зрения считывающих нейронов.Точнее, мы измерили дисперсию входа для считывающих нейронов после 500-кратного ввода того же входа в схему и проанализировали, насколько эта дисперсия уменьшилась для структуры схемы на основе данных (выраженной в процентах изменения по сравнению с аморфной структурой). схемы управления). Меньшая дисперсия для схем, основанных на данных, показывает, что на их динамику меньше влияют внутренний шум и различные начальные условия, тем самым обеспечивая лучшие возможности обобщения обученных считываний.Этот эксперимент был повторен для 30 случайно выбранных значений параметров масштабирования S _RW , S _I1 , S _I2 (см. Методы), и на этом рисунке показано, сколько из этих значений параметров установлено. определенное снижение шума было достигнуто для схем, основанных на данных. Среднее отклонение в классе для всех настроек параметров составило 0,58, а стандартное отклонение — 0,29 для схем на основе данных. Проценты для 5 из этих цепей не были введены в этот график, потому что их классовая дисперсия была ниже 0.01 из-за того, что они почти не ответили на ввод. Процент изменения классовой дисперсии для стандартной настройки параметров масштабирования составил -38 для показаний уровня 2/3 и -41 для показаний уровня 5. Эти результаты показывают, что способность схем на основе данных снижать уровень шума не была случайным свойством стандартной настройки параметров масштабирования.

Рисунок 10

Структура схемы на основе данных снижает влияние шума. Для каждого из 2 типов схем, то есть для схем на основе данных и аморфных схем, было сгенерировано 50 схем, и 500 идентичных входов, сгенерированных для задачи на рисунке 8, были введены в каждую из них.Разница в дисперсии откликов цепей (в среднем по 50 цепям) оценивалась с точки зрения считывающих нейронов. Точнее, мы измерили дисперсию входа для считывающих нейронов после 500-кратного ввода того же входа в схему и проанализировали, насколько эта дисперсия уменьшилась для структуры схемы на основе данных (выраженной в процентах изменения по сравнению с аморфной структурой). схемы управления). Меньшая дисперсия для схем, основанных на данных, показывает, что на их динамику меньше влияют внутренний шум и различные начальные условия, тем самым обеспечивая лучшие возможности обобщения обученных считываний.Этот эксперимент был повторен для 30 случайно выбранных значений параметров масштабирования S _RW , S _I1 , S _I2 (см. Методы), и на этом рисунке показано, сколько из этих значений параметров установлено. определенное снижение шума было достигнуто для схем, основанных на данных. Среднее отклонение в классе для всех настроек параметров составило 0,58, а стандартное отклонение — 0,29 для схем на основе данных. Проценты для 5 из этих цепей не были введены в этот график, потому что их классовая дисперсия была ниже 0.01 из-за того, что они почти не ответили на ввод. Процент изменения классовой дисперсии для стандартной настройки параметров масштабирования составил -38 для показаний уровня 2/3 и -41 для показаний уровня 5. Эти результаты показывают, что способность схем на основе данных снижать уровень шума не была случайным свойством стандартной настройки параметров масштабирования.

Рисунок 11 показывает, что превосходная вычислительная производительность моделей ламинарных микросхем на основе данных не является случайным следствием конкретного выбора этих трех параметров, но сохраняется для большинства их потенциальных значений.Этот факт демонстрируется здесь для XOR на паттернах спайков, которые уже обсуждались ранее. (Стандартное отклонение производительности считываний от схем управления для различных настроек параметров составляло 0,15 для показаний со слоев 2/3 и 0,18 для показаний со слоя 5. Улучшение производительности для ламинарных схем на основе данных в некоторой степени коррелировало с производительностью [коэффициент корреляции 0,16 для слоев 2/3, 0,59 для показаний слоя 5]). Это говорит о том, что ламинарная схема имеет для некоторых задач превосходные вычислительные возможности для довольно большого изменения динамических режимов.Это представляет интерес, потому что разные поведенческие состояния, разные состояния гомеостатических процессов или разные входные интенсивности могут привести к множеству различных динамических режимов корковых микросхем.

Рисунок 11

Процент улучшения производительности считывания из ламинарных цепей для различных значений трех параметров масштабирования для той же задачи XOR, как показано на рисунках 4 и 5 (но только с 2 × 4 последовательностями входных пиков). Процент улучшения был измерен для 16 случайно выбранных настроек параметров масштабирования S _RW , S _I1 и S _I2 .Две из этих настроек дали чрезвычайно низкую производительность как для схем на основе данных, так и для аморфных схем (ниже 0,08, следовательно, ниже SD данных производительности для всех 16 настроек параметров) и поэтому не были включены в график. Улучшение производительности при стандартной настройке этих параметров составило 74% для показаний слоев 2/3 и 64% для показаний уровня 5. Это говорит о том, что ламинарная схема обладает превосходными вычислительными возможностями для большинства настроек параметров, следовательно, для широкого разнообразия интенсивности стимулов и регуляторных состояний нейронных систем in vivo.

Рисунок 11

Процент повышения производительности считывания из ламинарных цепей для различных значений трех параметров масштабирования для той же задачи XOR, как показано на рисунках 4 и 5 (но только с 2 × 4 последовательностями входных пиков). Процент улучшения был измерен для 16 случайно выбранных настроек параметров масштабирования S _RW , S _I1 и S _I2 . Две из этих настроек дали чрезвычайно низкую производительность как для схем на основе данных, так и для аморфных схем (ниже 0.08, следовательно, ниже стандартного отклонения рабочих характеристик для всех 16 значений параметров) и поэтому не были включены в график. Улучшение производительности при стандартной настройке этих параметров составило 74% для показаний слоев 2/3 и 64% для показаний уровня 5. Это говорит о том, что ламинарная схема обладает превосходными вычислительными возможностями для большинства настроек параметров, следовательно, для широкого разнообразия интенсивности стимулов и регуляторных состояний нейронных систем in vivo.

Обсуждение

Мы продемонстрировали, что ламинарная структура связности на основе данных расширяет возможности обработки информации в моделях кортикальных микросхем.В частности, мы показали, что такая модель схемы на основе данных может накапливать, удерживать и объединять информацию, содержащуюся в двух афферентных входных потоках пиков. Следует отметить, что вычисления, которые были проанализированы в наших компьютерных экспериментах, были биологически реалистичными вычислениями в реальном времени для динамически изменяющихся входных потоков, а не статическими вычислениями для пакетных входных данных, которые обычно рассматриваются в исследованиях моделирования. В отличие от схемных моделей из Buonomano и Merzenich (1995) и Maass и др. (2002), схемные модели, которые были проанализированы в этой статье, не только имеют биологически реалистичную ламинарную структуру, но также состоят из нейронов типа Ходжкина-Хаксли (с дополнительными фоновый ввод основан на данных, которые предположительно являются репрезентативными для состояния высокой проводимости корковых цепей in vivo [Destexhe and others 2003]).Кроме того, моделирование, обсуждаемое в этой статье, учитывает существенно большую вариабельность от испытания к испытанию. Кроме того, информация извлекалась не из всех нейронов, как в Buonomano и Merzenich (1995) и Maass и др. (2002), а из гораздо меньшего подмножества нейронов, которое представляет собой типичный набор пресинаптических нейронов для проекционного нейрона в слоях 2/3 или 5. Кроме того, получение информации такими проекционными нейронами впервые было связано с ограничением, согласно которому знаки веса входящих синапсов не могут выбираться произвольно в биологической цепи, а определяются типом (возбуждающим или тормозящим) каждый пресинаптический нейрон.Хотя это означает, что не вся мощность линейной регрессии (или правила обучения персептрона) может быть использована для оптимизации таких более реалистичных результатов, мы показываем, что даже в этих биологически более реалистичных условиях значительный объем информации может быть извлечен проекционными нейронами. в слоях 2/3 или уровне 5. Кроме того, результаты на Рисунке 6 показывают, что их производительность увеличивается с размером схемы, что позволяет предположить, что почти идеальная производительность будет достигнута с помощью модели схемы, которая достаточно велика, так что количество пресинаптические нейроны приближаются к реалистичным значениям в несколько тысяч.

Мы продемонстрировали на рисунке 5, что модели ламинарных микросхем на основе данных работают значительно лучше, чем схемы управления (которые не имеют ламинарных структур, но в остальном идентичны в отношении своих компонентов и общей статистики соединений) для широкого спектра фундаментальной информации — задачи обработки. Это превосходство сохраняется для большинства настроек параметров, которые масштабируют глобальную силу афферентных входов и повторяющихся связей, соответствующих широкому диапазону интенсивности стимулов и регуляторных состояний нейронных систем in vivo (рис.11). Мы также проанализировали, какой аспект структуры связности ламинарных схем на основе данных отвечает за их лучшую вычислительную производительность. Мы пришли (на основе результатов, представленных в таблице 2) к выводу, что их особое распределение степеней узлов (относительно входов схемы и проекционных нейронов) является в первую очередь ответственным, в большей степени, чем свойство маленького мира данных — на основе схем. Мы предполагаем, что это вычислительное превосходство ламинарных схем можно понять с точки зрения свойств динамической системы, которая определяется такими моделями микросхем.Мы показали на рисунках 9 и 10, что динамика ламинарных цепей несколько меньше зависит от внутреннего шума и шума на входе, тем самым обеспечивая лучшие возможности обобщения обученных считываний и лучшее соответствие обучающим данным из-за меньшей дисперсии в ответах цепей. .

По-видимому, модели нейронных цепей, рассмотренные в этой статье, представляют собой наиболее подробные модели корковых микросхем, основанные на данных, возможности обработки информации которых были проанализированы до сих пор.Результаты этого анализа показывают, что с помощью обширного компьютерного моделирования можно продемонстрировать конкретные вычислительные последствия их ламинарной структуры, тем самым создавая связь между подробными анатомическими и нейрофизиологическими данными и их вероятными вычислительными последствиями. Мы ожидаем, что эта программа может быть продолжена для выяснения также функциональных последствий дальнейших деталей кортикальных микросхем, таких как описанные, например, у Гупты и др. (2000), Штайгера и др. (2000), Шуберта и др. (2001), Бинцеггера. и другие (2004 г.), Каллавей (2004 г.), Маркрам и другие (2004 г.) и Йошимура и другие (2005 г.).

Мы хотели бы поблагодарить Эда Каллэуэя, Родни Дугласа, Рольфа Кеттера, Генри Маркрама и Алекса Томсона за полезные обсуждения исследований, связанных с этой статьей. Работа частично поддержана австрийским научным фондом Fonds zur Förderung der Wissenschaftlichen Forschung (FWF), проект № P15386 и № S9102-N04, проект № IST2002-506778 по анализу шаблонов, статистическому моделированию и вычислительному обучению и Fast Analog Computing with Emergent. Проект «Переходные государства» № FP6-015879 Европейского Союза.

Список литературы

Модель глобальной спонтанной активности и локальной структурированной активности в периоды задержки в коре головного мозга

Cereb Cortex

1997

7

3

237

252

Зависимость от стимула двухуровневых колебаний мембранного потенциала в зрительной коре головного мозга кошки

Nat Neurosci

2000

3

6

617

621

Поток возбуждения в коре головного мозга крысы при столкновении с одиночной вибриссой

J Neurophysiol

1992

68

4

1345

1358

Ответы нейронов первичной и нижней височной зрительной коры на естественные сцены

Proc R Soc Lond B Biol Sci

1997

264

1389

1775

1783

Количественная карта цепи первичной зрительной коры головного мозга кошки

J Neurosci

2004

24

39

8441

8453

Случайные графики

1985

Лондон

Academic Press

Визуальный ввод вызывает временное и сильное подавление шунтирования в зрительных корковых нейронах

Nature

1998

393

6683

369

373

Временная информация, преобразованная в пространственный код нейронной сетью с реалистичными свойствами

Science

1995

267

1028

1030

Прямая связь, обратная связь и тормозные связи в зрительной коре приматов

Neural Netw

2004

17

5–6

625

632

Настройка силы и ориентации таламического входа к простым клеткам, выявленная электрически вызванным кортикальным подавлением

Neuron

1998

20

1177

1189

Ламинарные источники синаптического входа в корковые тормозные интернейроны и пирамидные нейроны

Nat Neurosci

2000

3

7

701

707

Пластичность в одиночных нейронных и схемных вычислениях

Nature

2004

431

789

795

Влияние сетевой активности на интегративные свойства пирамидных нейронов неокортекса in vivo

J Neurophysiol

1999

81

4

1531

1547

Колеблющиеся синаптические проводимости воссоздают активность, подобную in vivo, в нейронах неокортекса

Neuroscience

2001

107

1

13

24

Состояние высокой проводимости нейронов неокортекса in vivo

Nat Rev Neurosci

2003

4

9

739

751

Рекуррентное возбуждение в контурах неокортекса

Science

1995

269

5226

981

985

Нейронные цепи неокортекса

Annu Rev Neurosci

2004

27

419

451

Происхождение ориентационно-селективных ВПСП в простых клетках зрительной коры головного мозга кошек

J Neurosci

1987

7

6

1780

1791

Принципы организации разнообразных ГАМКергических интернейронов и синапсов в неокортексе

Science

2000

287

273

278

Анатомическая взаимосвязь определяет организацию кластеров корковых областей у макак и кошек

Philos Trans R Soc Lond B Biol Sci

2000

355

91

110

Синаптическая интеграция в полосатых простых клетках коры

J Neurosci

1998

18

22

9517

9528

K + канал регуляции распространения сигнала в дендритах пирамидных нейронов гиппокампа

Nature

1997

387

6636

869

875

Пространственный рост реальных сетей

Phys Rev E

2004

69

036103

Неокортикальная микросхема как tabula rasa

Proc Natl Acad Sci USA

2005

102

3

880

885

Линейный метод наименьших квадратов с ограничениями линейного неравенства

Решение задач наименьших квадратов

1974

Энглвуд Клиффс (Нью-Джерси)

Прентис-Холл

161

Что делает динамическую систему вычислительно мощной?

Новые направления в статистической обработке сигналов: от систем к мозгу

2005

MIT Press

Принципы вычислений в реальном времени с обратной связью, применяемые к моделям кортикальных микросхем

Труды о достижениях в системах обработки нейронной информации

2005

MIT Press

Синапсы как буферы динамической памяти

Neural Netw

2002

15

155

161

Вычисления в реальном времени без стабильных состояний: новая структура для нейронных вычислений на основе возмущений

Neural Comput

2002

14

11

2531

2560

Электрическая и кальциевая передача сигналов в дендритах пирамидных нейронов гиппокампа

Annu Rev Physiol

1998

60

327

346

Характеристика одиночных потенциалзависимых каналов Na + и Ca2 + в апикальных дендритах пирамидных нейронов CA1 крысы

J Physiol

1995

487

Pt 1

67

90

Модель инициирования спайков в пирамидных нейронах неокортекса

Neuron

1995

15

6

1427

1439

Интернейроны неокортикальной тормозной системы

Nat Rev Neurosci

2004

5

10

793

807

Дифференциальная передача сигналов через один и тот же аксон пирамидных нейронов неокортекса

Proc Natl Acad Sci USA

1998

95

5323

5328

Перцептивная нейробиология: кора головного мозга

1998

Кембридж, Массачусетс

Harvard University Press

Компьютерные модели и средства анализа нейронных микросхем

Базы данных нейронауки. Практическое руководство

2003

Бостон

Kluwer Academic Publishers

123

138

Корковые микросхемы: разнообразны или каноничны?

Нейрон

2002

36

1

19

27

К теории ламинарной архитектуры коры головного мозга: вычислительные ключи от зрительной системы

Cereb Cortex

2003

13

1

100

113

Слоистая внутриколоночная и трансколонарная функциональная связность пирамидных клеток слоя v в коре головного мозга крысы

J Neurosci

2001

21

10

3580

3592

Стереотипия в микросхемах неокортекса

Trends Neurosci

2002

25

5

227

230

Ламинарные характеристики функциональной связности в коре головного мозга крысы, выявленные при стимуляции глутаматом в клетке

Neurosci Res

2000

37

1

49

58

Активное распространение соматических потенциалов действия в дендритах пирамидных клеток неокортекса

Nature

1994

367

6458

69

72

Кросс-корреляционный анализ взаимоотношений геникулостриатных нейронов у кошек

J Neurophysiol

1983

49

1303

1318

Пресинаптическая частотно-зависимая фильтрация

J Comput Neurosci

2003

15

159

202

Синаптические связи и небольшие цепи с участием возбуждающих и тормозных нейронов в слоях 2–5 неокортекса взрослых крыс и кошек: тройная внутриклеточная запись и мечение биоцитином in vitro

Cereb Cortex

2002

12

9

936

953

Нейронные сети гиппокампа

1991

Кембридж, Массачусетс

Издательство Кембриджского университета

Вычислительные ограничения, которые могли способствовать расслоению сенсорной коры

J Comput Neurosci

2003

14

271

282

Статистическая теория обучения

1998

Нью-Йорк

Джон Вили

Хаос в нейронных сетях со сбалансированной возбуждающей и тормозной активностью

Science

1996

274

1724

1726

Хаотическое сбалансированное состояние в модели корковых цепей

Neural Comput

1998

10

6

1321

1371

Коллективная динамика сетей «маленького мира»

Nature

1998

393

440

442

Кортикальные контуры

1989

Бостон

Birkhaeuser

Возбуждающие корковые нейроны образуют мелкомасштабные функциональные сети

Nature

2005

433

7028

868

873

Заметки автора

© Автор, 2006. Опубликовано Oxford University Press. Все права защищены. Для получения разрешений обращайтесь по электронной почте: [email protected]

Онлайн-версия этой статьи была опубликована в рамках модели открытого доступа. Пользователи имеют право использовать, воспроизводить, распространять или демонстрировать версию этой статьи в открытом доступе в некоммерческих целях при условии, что: исходное авторство правильно и полностью указано; Журнал и Издательство Оксфордского университета указываются как место первоначальной публикации с указанием правильных сведений о цитировании; если статья впоследствии воспроизводится или распространяется не полностью, а только частично или как производная работа, это должно быть четко указано.По вопросам коммерческого повторного использования обращайтесь по адресу [email protected].

Hybrid Assembler / Wire Bonder II / Microcircuits / Chelmsford, MA / 2-я смена в Lockheed Martin Corporation

Может потребоваться возможность поиска и устранения неисправных гибридов путем визуального скрининга проводов или размещения чипа.В обязанности также может входить установка подложек и компонентов в очень сложные микроволновые узлы с использованием пасты и листовых эпоксидных смол.

Выполняет операции по разборке, сборке, модификации, доработке и ремонту различных производственных узлов, узлов и полных систем, в которых используется технология интегральных схем. Выполняет указанные выше операции после того, как блоки были отклонены тестированием и отправлены обратно с листами отказов тестирования, изолируя проблемную область. Планирует последовательность работ, оценивая незавершенную работу в соответствии с требованиями графика.Использует измерительное оборудование (например, сетку, индикатор падения, съемник связки) для проверки параметров во время и после работы, чтобы убедиться, что устройство соответствует спецификациям. Сотрудничайте с отделом производства и управления качеством для разработки процедур или устранения неполадок продукта в соответствии со спецификациями.

#mfcvets
Базовая квалификация:
• Опыт работы в скреплении проволокой или лентой; Опыт сборки микроэлектроники
• Способность работать 10 часов под микроскопом и использовать ручной инструмент, такой как динамометрические отвертки, пинцет и другие подобные инструменты; Хорошая ловкость, координация глаз и рук
• Умение читать и работать с подробными технологическими листами и чертежами; Хорошие навыки работы с компьютером необходимы для поддержки поиска чертежей и рабочих инструкций, а также других видов деятельности;
• Умение работать в разноплановой командной среде; Хорошие навыки межличностного общения, взаимодействия в команде и общения
• Кандидат должен иметь возможность получить секретный допуск безопасности и должен иметь, по крайней мере, временное разрешение секретной службы безопасности до начала работы
Желаемые навыки:
• Опыт гибридной сборки в соответствии с Mil STD 883
• Склеивание лент и сварка различных размеров и на различных материалах.
• Навыки скрепления проволокой, например, склеивание золотой проволокой большого диаметра.001 мил и 0,0007 мил для компонентов или подложек; Испытайте склеивание проволокой или лентой с керамическими или твердыми поверхностями; Опыт использования клеевых машин Westbond и Metcal, предпочтение отдается сварщику Unitech.
• Опыт в установке подложек и компонентов, автоматическом захвате и размещении
• Опыт эксплуатации оборудования для автоматического или ручного склеивания
• Знакомство с работой в среде, контролируемой ESD и FOD
• Опыт в процессах механической сборки небольших электронных устройств
• Опыт работы на продукцию военного назначения в контролируемой среде ISO 9001 / AS9100 Другая важная информация, которую вы должны знать Выражение заинтересованности: Подавая заявку на эту работу, вы выражаете интерес к этой должности и можете быть рассмотрены для других возможностей карьерного роста, где аналогичные навыки и требования были определены как соответствующие.Если это совпадение будет обнаружено, с вами могут связаться по поводу этого и будущих вакансий. Возможность работать удаленно: Полный рабочий день на месте: Работа, связанная с этой должностью, будет выполняться на месте на указанном предприятии Lockheed Martin. График работы: Lockheed Martin поддерживает множество альтернативных графиков работы, которые обеспечивают дополнительную гибкость для наших сотрудников. График работы варьируется от стандартных 40 часов в течение пятидневной рабочей недели, в то время как другие могут быть сокращены. Эти сокращенные графики предоставляют сотрудникам дополнительное время вне офиса и дополняют наши преимущества в отношении оплачиваемого свободного времени. График для этой должности: 4×10 часов в день, 3 выходных в неделю Заявление о допуске к безопасности: Эта должность требует разрешения государственных органов безопасности, вы должны быть гражданином США для рассмотрения. Уровень доступа: Секрет Lockheed Martin — работодатель, обеспечивающий равные возможности / позитивные действия. Все квалифицированные кандидаты получат вознаграждение за трудоустройство независимо от расы, цвета кожи, религии, пола, беременности, сексуальной ориентации, гендерной идентичности, национального происхождения, возраста, статуса ветерана или инвалидности. Присоединяйтесь к нам в Lockheed Martin, где ваша миссия — наша. Наши клиенты справляются с самыми сложными задачами. Те, которые требуют необычайного мужества, стойкости и точности. Они опасны. Критический. Иногда они даже дают возможность изменить мир и спасти жизни. Это те миссии, которые нам небезразличны.

Являясь ведущей компанией в области технологических инноваций, обширная команда Lockheed Martin работает с партнерами по всему миру, чтобы обеспечить проверенную производительность для решения самых сложных задач наших клиентов.У Lockheed Martin есть сотрудники, базирующиеся во многих штатах США и за рубежом, с офисами во многих странах и территориях. Уровень опыта: Почасовая / без освобождения Бизнес-единица: РАКЕТЫ И УПРАВЛЕНИЕ ПОЖАРАМИ Доступен переезд: Нет Сфера карьеры: Производство Тип: Полный рабочий день Сдвиг: секунд

Sri International — Инженер по испытанию электрических цепей — Принстон, Нью-Джерси

Информация о вакансии SRI International Microcircuit Electrical Test Engineer в Принстоне, Нью-Джерси Инженер-испытатель микросхем Принстон, штат Нью-Джерси Описание работы Посредством программ SRI International (SRI) Advanced Microcircuit Emulation (AME) и Generalized Emulation of Microcircuits (GEM) Центр эмуляции микросхем (MEC) обеспечивает замену форм, подгонки, функций и интерфейсов для устаревших микросхем.MEC — это поддерживаемый правительством американский Trusted литейный завод, который поддерживает производство, модернизацию и поддержку требований в течение всего срока службы оружейной системы. Офис SRI в Принстоне (ранее Sarnoff Corporation) ищет инженера-испытателя, чтобы присоединиться к команде MEC. Должность будет сотрудничать с инженерами-проектировщиками для создания и проведения диагностических испытаний микросхем по мере необходимости, предоставлять техническое руководство и консультации для инженеров-испытателей и разработчиков, а также взаимодействовать с конечными пользователями микросхем и руководителями программ клиентов для просмотра и представления технических характеристик, результатов и проблем испытаний. Другие обязанности могут включать: Интерпретировать, определить, задокументировать и реализовать методы для выполнения точной и эффективной характеристики и QML-скрининга микросхем (технологии цифровых, аналоговых и смешанных сигналов) в соответствии с MIL-PRF-38535, MIL-STD-883, SMD, M38510 и другими применимыми требования заказчика.Написание и отладка тестовых программ для микросхем для выполнения детального исследования пластины, определения характеристик устройства и / или производственного QML-скрининга с использованием специализированных полупроводниковых систем ATE, подобных HP82000, Advantest V93000 и Teradyne microFlex Поддерживать и улучшать методы тестирования и измерения микросхем с использованием ATE, передового стендового оборудования, специализированных креплений для плат, создания полуавтоматических скриптов интерфейса (LabView) и других по мере необходимости Просмотрите результаты испытаний и данные характеристик на предмет согласованности, точности и согласованности; возможность выявлять и устранять проблемы с настройкой или ошибками измерения при необходимости Квалификация Ученая степень в области электротехники или аналогичной предметной области с соответствующим опытом работы не менее 2-3 лет.Опыт работы может быть заменен на степень. Согласно требованиям правительства кандидаты должны быть гражданином или постоянным жителем США. Продемонстрированная практическая способность к измерению характеристик микросхем с использованием как ручных / настольных приборов, так и автоматизированных систем измерения с компьютерным управлением (ATE). Знание теоретических и практических аспектов метрологии, связанных с электронными измерениями (например, конструкция испытательного оборудования, точность измерений, защитные полосы и т. Д.) Продемонстрированная способность интерпретировать тестовую документацию, относящуюся к полупроводникам (т.е. документация по спецификациям и стандартам военного устройства, коммерческие спецификации, примечания к применению и т. д.) для выполнения задач по определению характеристик и проверке Опыт работы как в среде рабочих станций Unix / Linux, так и в среде ПК (Windows); продемонстрированные способности в соответствующих языках программирования (например, C, C ++, LabView и т.