In Diffusive Molecular Communication (DMC), information is transmitted by diffusing molecules. Synaptic signaling is a natural implementation of this paradigm. It is responsible for relaying information from one neuron to another, but also provides support for complex functionalities, such as learning and memory. Many of its features are not yet understood, some are, however, known to be critical for robust, reliable neural communication. In particular, some synapses feature a re-uptake mechanism at the presynaptic neuron, which provides a means for removing neurotransmitters from the synaptic cleft and for recycling them for future reuse. In this paper, we develop a comprehensive channel model for synaptic DMC encompassing a spatial model of the synaptic cleft, molecule re-uptake at the presynaptic neuron, and reversible binding to individual receptors at the postsynaptic neuron. Based on this model, we derive an analytical time domain expression for the channel impulse response (CIR) of the synaptic DMC system. Our model explicitly incorporates macroscopic physical channel parameters and can be used to evaluate the impact of re-uptake, receptor density, and channel width on the CIR of the synaptic DMC system. Furthermore, we provide results from particlebased computer simulation, which validate the analytical model. The proposed comprehensive channel model for synaptic DMC systems can be exploited for the investigation of challenging problems, like the quantification of the inter-symbol interference between successive synaptic signals and the design of synthetic neural communication systems.


翻译:在 Diffusive 分子通信中,信息是通过漂移分子传递的。 同步信号是这一范例的自然应用。 它负责将信息从一个神经向另一个神经传递, 但也为复杂的功能提供支持, 例如学习和记忆。 它的许多特征还没有得到理解, 但有些特征已知对于稳健、 可靠的神经通信至关重要。 特别是, 一些突触在预合成神经中有一个重新接收机制, 提供一种手段, 将神经神经传输器从神经神经裂变出来, 并循环循环利用, 供今后再利用。 在本文中, 我们开发一个综合的合成DMC频道模式, 包含合成裂变的空间模型, 分子在预合成神经中重新接收, 并且可以对后合成神经神经中的个人感应器进行反响。 基于此模式, 我们为神经神经裂变神经系统频道的脉冲反应( CIR) 提供了一个分析时间域表达器。 我们的模型, 明确整合了系统 系统 的系统 的系统 分析系统, 分析系统 分析 分析 系统, 分析 分析系统 分析 分析 分析 分析 分析 系统 分析 分析 分析 分析 系统 分析 系统 分析 分析 分析 分析 分析 系统 分析 分析 分析 分析 分析 分析 分析 分析 系统 分析 分析 系统 系统 分析 系统 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 系统 分析 分析 分析 分析 分析 系统 系统 系统 分析 系统 系统 分析 分析 系统 分析 分析 分析 分析 分析 分析 系统 系统 分析 系统 系统 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 系统 分析 分析 系统 分析 分析 分析 系统 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析 分析

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
专知会员服务
52+阅读 · 2020年11月3日
专知会员服务
28+阅读 · 2020年10月9日
专知会员服务
60+阅读 · 2020年3月19日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
计算机 | 中低难度国际会议信息8条
Call4Papers
9+阅读 · 2019年6月19日
Nature 一周论文导读 | 2019 年 5 月 30 日
科研圈
15+阅读 · 2019年6月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Nature 一周论文导读 | 2019 年 2 月 28 日
科研圈
13+阅读 · 2019年3月10日
Nature 一周论文导读 | 2019 年 2 月 14 日
科研圈
7+阅读 · 2019年2月24日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Science 一周论文导读 | 2018 年 11 月 16 日
科研圈
7+阅读 · 2018年11月25日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
VIP会员
相关资讯
计算机 | 中低难度国际会议信息8条
Call4Papers
9+阅读 · 2019年6月19日
Nature 一周论文导读 | 2019 年 5 月 30 日
科研圈
15+阅读 · 2019年6月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Nature 一周论文导读 | 2019 年 2 月 28 日
科研圈
13+阅读 · 2019年3月10日
Nature 一周论文导读 | 2019 年 2 月 14 日
科研圈
7+阅读 · 2019年2月24日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Science 一周论文导读 | 2018 年 11 月 16 日
科研圈
7+阅读 · 2018年11月25日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Top
微信扫码咨询专知VIP会员