基于生物神经网络的认知计算方法与系统技术方案

一种生物神经网络(BNN)核心单元，其包括神经细胞培养物、输入刺激单元、输出读出单元，可以通过其各种生命周期来控制，以提供数据处理功能。一种自动化系统，其包括适于与BNN刺激和读出数据接口一起操作的环境和化学控制器单元，促进BNN核心单元参数的监测和调整。BNN接口信号的预处理和后处理可进一步促进BNN的训练和强化学习。多个BNN核心单元也可以组装在一起作为堆叠。所提出的系统提供BNN操作系统作为用于湿件服务器的核心组件，以接收、处理和发送用于不同客户端应用的数据，而不将BNN核心单元组件暴露给客户端用户，同时与用于高级认知计算任务的传统的基于硅的硬件和软件信息处理相比，需要明显更少的能量。需要明显更少的能量。需要明显更少的能量。

【技术实现步骤摘要】
【国外来华专利技术】基于生物神经网络的认知计算方法与系统


[0001]本公开涉及执行模仿和扩展生物脑功能的各种高级、复杂认知任务的认知计算系统、方法和过程。所提出的认知计算系统、方法和过程采用多个神经细胞作为其与芯片上脑接口和控制器结合的生物技术核心处理元件，以补充更传统的信息技术网络和计算架构并与之交互。

技术介绍

[0002]随着信息技术(IT)在过去几十年中的巨大发展，现在有许多方法和系统可用于执行各种计算任务，例如计算、数据优化、数据分类、自然语言处理和翻译、图像和视频处理和识别。近年来认知计算的发展，包括机器学习、深度学习、模仿生物神经网络的神经网络人工神经计算。人工神经计算进一步试图在家中、社交媒体和工作中，以及在深海、太空等对人类不利的环境中，为人类提供人工智能，帮助他们完成所有任务，如物体和面部识别、自然语言处理(NLP)和情感分析，核反应堆等。因此，诸如谷歌(谷歌云平台)、亚马逊(亚马逊网路服务AWS)和微软(Azure)之类的大公司将高性能计算、高吞吐量计算和高可用性系统和基础设施作为云计算服务来提供。脸书和苹果公司还在全球范围内精心挑选的数据场网站上运营其自身的私人数据中心，在那里它们可以从负担得起且可靠的电力中获益。然而，当前硅基计算环境(包括软件和硬件)的一个主要限制是它们执行复杂的认知任务所需的功率过高。硅基系统的功耗比具有类似性能的生物系统(例如大脑)高一个数量级。另一个限制是要求至少一些显式逻辑编程和结构化数据表示，这使得它们今天不适合实现尚未被人类科学理解和建模的概念，例如更高级别的认知过程、创造性思维和意识。
[0003]神经网络可以被看作是在不同维度的2个空间之间创建时空映射的一种手段。在输出的数量比输入的数量少的配置中，神经网络因此在具有有限维数的空间中创建问题的简化表达式。例如，众所周知的空间变换是：霍夫变换，其将二维空间映射到双参数投票空间；傅里叶变换，其将时间周期信号映射到其频率表示；小波变换类，其将图像映射到尺度空间表示。当然，这些变换很好地用数学来描述，并且可以直接实现，即使神经网络可以用于此，其也不太可能是计算效率最高的选择。然而，例如在1000维的多变量输入空间在输出时仅产生10个相关变量的情况下，显式数学求解通常过于复杂。神经网络是解决这些问题的好方法。尽管如此，解决这一问题所需的内部状态空间维度可能是巨大的，并且在当前的硬件技术上需要太多的计算资源。
[0004]作为传统软件和硬件信息技术的替代方案，早在20世纪末，学者们就主要探索了基于生物组件(如培养细胞)而不是晶体管的湿软件解决方案(https://www.technologyreview.com/s/400707/biologicalcomputing/)。到目前为止，大多数科学家都专注于如何实现类似于基本核心IT处理逻辑门、计算和内存存储的基本功能，例如DNA计算(https://www.nature.com/subjects/dna
‑
computing)。尽管这条道路前景光明，特别是随着合成生物学和DNA编辑技术的最新发展，但从这些基本功能构建高阶认知过程的工程路径仍然与传统的硅基逻辑一样具有挑战性。
[0005]高级认知功能的示例是一般智能机器通过图灵测试所需的功能。目前在这方面使用人工神经网络(ANN)的研究面临至少两个主要限制：
[0006]与生物神经网络(BNN)相比，用于深度学习的现有技术多层网络缺乏时间灵活性。人脑基本上是一个生物多核系统，没有数学模型可用。在量子力学或广义相对论等最伟大的科学模型中使用的大多数强大的数学在这种情况下是毫无用处的。现有技术的递归尖峰神经网络(SNN)不能在复杂任务上训练，也不能大规模模拟，这主要是因为缺乏数字处理的计算效率。由于所有的神经元本质上是并行工作的，它们基本上代表多达1000亿个处理器(例如，我们假设人脑平均有1000亿个神经元)。如果每个神经元只代表1次浮点的计算能力，则复制这种处理能力是可能的，但实际上，实现图灵测试目标所需的神经元模拟的准确性是未知的：如果每个神经元的数量级为100Mflops，则用当前的技术不可能实现它。事实上，最好的计算能力是1E16Flops和100E9xl00E6＝1E11x1E8＝1E19，这比世界上最好的高性能计算系统的计算能力高出约1000倍。即使是非实时模拟也会太慢，无法在适当的时间内获得任何有意义的结果。生物大脑的计算效率也比数字计算机高出几个数量级：例如，一个大脑通常消耗20W的1000亿个神经元(50亿个神经元/W)，而数字模拟甚至需要几个数量级的功率，即使是简单的神经元模型，如积分和点火尖峰神经元。
[0007]因此，一种新的替代方法是使用生物神经网络，而不是用基于硅的数字计算来复制高水平的认知过程。生物技术的近期进展现在促进了生物神经网络的培养和组装，所述生物神经网络来自胚胎干细胞例如大鼠胚胎干细胞，以及来自分化的人诱导多能干细胞(IPS
C
)。然后可以使用多电极阵列(MEA)刺激和读取培养的BNN。到目前为止，MEA的主要用途是应用于开发神经元和大脑模型，用于药理学、药物测试和毒理学研究，以及更好地了解常见的大脑疾病，如阿尔茨海默氏症和帕金森氏症。在过去几年中还提出了其他工业应用。BNN在飞行器控制中的应用例如由DeMarse等在2005年IEEE国际神经网络联合会议论文集中的《具有微电极阵列上的活神经元网络的自适应飞行控制》中提出。美国海军的美国专利7947626公开了传代祖细胞衍生的神经网络MEA，其可用于检测和/或定量各种生物或化学毒素。在同一轨道上，Koniku(www.koniku.com)是开发基于培养神经细胞的计算芯片的湿芯片的第一家公司，自2017年以来一直在将高度专业化的产品商业化，用于安全、军事和农业/食品市场的气味化合物检测。如在他们的专利申请WO 2018/081657中所描述的，神经元细胞可以通过各种生物技术过程(例如基因编辑、甲基化编辑等)进行修饰，以表达具有细胞表面受体的独特气味受体谱，如本领域的生物学状态已知的。神经元细胞可通过诸如MEA(多电极阵列)电极的最先进的神经生理学接口与计算机相接。然后，计算机可以测量当暴露于专用腔室中的气味剂化合物时由神经细胞产生的电信号，并且通过常规信号处理方法检测某些气味剂化合物的存在，所述常规信号处理方法可能包括人工神经网络(ANN)和用于训练和分类的机器学习分类器。当在可能涉及多种可检测化合物的复杂组合的真实环境中使用具有不同气味受体特性的不同神经元的网络时，ANN对于区分多个信号特别有用。这种方法的一个主要限制是其局限于非常特殊的感官应用。
[0008]贝克休斯(Baker Hughes)的美国专利申请US20140279772公开了在用于处理井下信号的设备中使用培养的生物神经网络，所述信号在容器中通过钻孔被传送到地层中。生物神经网络与MEA电极相接，以接收来自传感器的输入信号并将测量输出到神经网络之外。所提出的BNN系统还包括环境控制部件，例如营养分配器。虽然本公开在并行计算能力、对...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于将时空输入数据信号(105)变换成时空输出数据信号(135)的自动化处理系统，该系统包括：
‑
神经细胞BNN核心单元(120)的体外生物培养物；
‑
输入刺激单元SU(110)，其适于将输入时空刺激信号(605)施加到第一组神经细胞中；
‑
输出读出单元RU(130)，其适于捕获来自第二组神经细胞的输出时空读出信号(635)；
‑
一个或多个营养罐(319)，其与一个或多个营养分配器(320)连接以将一种或多种营养物注入生物神经细胞培养物(120)中；
‑
一个或多个添加剂罐(321、323)，其每个与一个或多个添加剂分配器(322、324)连接，以将一种或多种添加剂注入BNN培养物(120)中；
‑
一个或多个营养废物收集器(325)，其用于从所述BNN培养物(120)过滤和排出营养废物；
‑
一个或多个添加剂废物收集器(326、327)，用于从所述BNN培养物(120)过滤和排出添加剂废物；
‑
一个或多个血管化网络，用于将所述营养分配器(320)、添加剂分配器(322，324)、营养废物收集器(325)和添加剂废物收集器(326、327)连接到所述BNN培养物(120)；
‑
测量所述BNN培养物(120)的至少一个环境参数的一个或多个传感器；
‑
自动化控制器(600)，其被配置为使所述刺激信号(605)适应所述输入数据信号(105)、使所述输出数据信号(135)适应所述读出信号(635)以及控制以下中的至少一个：
‑
BNN核心单元环境参数；
‑
BNN神经细胞培养营养供应；
‑
BNN神经细胞培养添加剂供应；
‑
BNN神经细胞培养营养废物收集；
‑
BNN神经细胞培养添加剂废物收集；以维持BNN神经细胞培养物随时间的内稳态，以便将所述时空输入数据信号(105)连续地转换为所述时空输出数据信号(135)。2.根据权利要求1所述的自动化处理系统，其中，营养物选自氨基酸、碳水化合物、维生素和矿物质或其组合。3.根据权利要求1或2所述的自动化处理系统，其中，所述添加剂选自多巴胺能刺激增强剂以增加BNN的多巴胺能反应、多巴胺能刺激抑制剂以减少BNN、肉毒杆菌、尼古丁、咖喱、安非他明、可卡因、MDMA、士的宁、THC、咖啡因、苯二氮卓类、巴比妥类药物、酒精、鸦片类、生长因子、激素、气体、或其组合。4.根据权利要求1至3中任一项所述的自动化处理系统，其中，血管化网络使用利用生物相容性材料的3D生物打印来制造。5.根据权利要求1至3中任一项所述的自动化处理系统，其中，所述血管化网络从BNN(120)培养支持物上的干细胞生长而来。6.根据权利要求1至3中任一项所述的自动化处理系统，其中，所述血管化网络是软的且可压缩的、多孔的和吸收性的材料，其形成3D结构，该3D结构适于在其孔中机械地容纳BNN细胞，同时调节所述BNN细胞作为3D细胞培养物的生长发展。7.根据权利要求1至4中任一项所述的自动化处理系统，其中，传感器测量所述BNN培养
物(120)的温度、湿度、pH或CO2环境参数。8.根据权利要求1至7中任一项所述的自动化处理系统，其中，所述自动化控制器进一步包括：预处理单元，其利用时空信号滤波器、时空信号分类器、基于数学或统计模型的机器学习算法、人工神经网络、卷积神经网络、支持向量机器分类器、随机森林分类器、遗传算法、遗传编程算法或储层计算方法中的至少...

【专利技术属性】
技术研发人员：弗雷德里克，
申请(专利权)人：艾普维真股份有限公司，
类型：发明
国别省市：