[发明专利]基于生物神经网络的认知计算方法与系统

说明书

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。

技术领域

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。

背景技术

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。

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。

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。

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：