Биологические вычисления

Биологические вычисления , сокращение от биологических вычислений , — это область исследований, целью которой является решение проблем информатики с использованием биологических моделей. Это относится к коннекционизму , социальному поведению и эмерджентности . В информатике биовычисления связаны с искусственным интеллектом и машинным обучением. Биологические вычисления — это основная разновидность естественных вычислений .

История

Ранние идеи

Идеи, лежащие в основе биологических вычислений, восходят к 1936 году и первому описанию абстрактного компьютера, который теперь известен как машина Тьюринга . Тьюринг впервые описал абстрактную конструкцию, используя биологический образец. Тьюринг представил себе математика, обладающего тремя важными качествами. ^[1] У него всегда есть карандаш с ластиком, неограниченное количество бумаг и рабочий глаз. Глаза позволяют математику видеть и воспринимать любые символы, написанные на бумаге, а карандаш позволяет ему писать и стирать любые символы, которые он хочет. Наконец, неограниченное количество бумаги позволяет ему хранить в памяти все, что он хочет. Используя эти идеи, он смог описать абстракцию современного цифрового компьютера. Однако Тьюринг отметил, что такой машиной можно считать все, что может выполнять эти функции, и даже сказал, что даже электричество не должно требоваться для описания цифровых вычислений и машинного мышления в целом. ^[2]

Нейронные сети

Нейронные сети, впервые описанные в 1943 году Уорреном Маккалоком и Уолтером Питтсом, являются распространенным примером биологических систем, вдохновляющих на создание компьютерных алгоритмов. ^[3] Они впервые математически описали, что система упрощенных нейронов способна выполнять простые логические операции, такие как логическое соединение , дизъюнкция и отрицание . Далее они показали, что систему нейронных сетей можно использовать для выполнения любых вычислений, требующих ограниченной памяти. Примерно в 1970 году исследования нейронных сетей замедлились, и многие считают книгу Марвина Мински и Сеймура Пейперта 1969 года. основной причиной ^[4]^[5] Их книга показала, что модели нейронных сетей способны моделировать только системы, основанные на булевых функциях, которые истинны только после определенного порогового значения. Такие функции также известны как пороговые функции . Книга также показала, что большое количество систем не может быть представлено как таковое, а это означает, что большое количество систем невозможно смоделировать с помощью нейронных сетей. Другая книга Джеймса Румельхарта и Дэвида Макклелланда, вышедшая в 1986 году, снова привлекла внимание к нейронным сетям, продемонстрировав алгоритм линейного обратного распространения ошибки, что позволило разработать многослойные нейронные сети, которые не придерживались этих ограничений. ^[6]

Муравьиные колонии

Дуглас Хофштадтер в 1979 году описал идею биологической системы, способной выполнять разумные вычисления, даже если люди, составляющие эту систему, могут не быть разумными. ^[7] Более конкретно, он привел пример колонии муравьев, которая может вместе выполнять интеллектуальные задачи, но каждый отдельный муравей не может демонстрировать так называемое « эмерджентное поведение ». Азими и др. в 2009 году показали то, что они описали как алгоритм «муравьиной колонии», алгоритм кластеризации, который способен выводить количество кластеров и создавать высококонкурентные конечные кластеры, сравнимые с другими традиционными алгоритмами. ^[8] Наконец, Гёльдер и Уилсон в 2009 году, используя исторические данные, пришли к выводу, что муравьи эволюционировали, чтобы функционировать как единая колония «супергранизма». ^[9] Это очень важный результат, поскольку он предположил, что эволюционные алгоритмы группового отбора в сочетании с алгоритмами, подобными «муравьиной колонии», потенциально могут быть использованы для разработки более мощных алгоритмов.

Области исследований

Некоторые области исследований в области биологических вычислений и их биологических аналогов:


Тема био-вычислений	Биологическое вдохновение
Генетические алгоритмы	Эволюция
Прогнозирование биоразлагаемости	Биодеградация
Клеточные автоматы	Жизнь
Появление	Муравьи , термиты , пчелы , осы
Искусственные нейронные сети	Биологические нейронные сети
Искусственная жизнь	Жизнь
Искусственная иммунная система	Иммунная система
Рендеринг (компьютерная графика)	Моделирование и рендеринг шкур животных, перьев птиц, раковин моллюсков и колоний бактерий.
Системы Линденмайер	Структуры растений
Сети связи и протоколы связи	Эпидемиология
Мембранные компьютеры	Внутримембранные молекулярные процессы в живой клетке
Возбудимые СМИ	Лесные пожары , «волна» , болезни сердца , аксоны
Сенсорные сети	Органы чувств
Обучение системам классификаторов	Познание , эволюция

Искусственный интеллект

Биологические вычисления можно отличить от традиционного искусственного интеллекта своим подходом к компьютерному обучению. Биологические вычисления используют эволюционный подход, тогда как традиционный ИИ использует « креационистский » подход. Биологические вычисления начинаются с набора простых правил и простых организмов, которые этим правилам следуют. Со временем эти организмы развиваются в рамках простых ограничений. Этот метод можно считать восходящим или децентрализованным . В традиционном искусственном интеллекте интеллект часто программируется сверху: программист является творцом, создает что-то и наполняет это своим интеллектом.

Пример виртуального насекомого

Биологические вычисления можно использовать для обучения виртуального насекомого. Насекомое обучается ориентироваться в неизвестной местности для поиска пищи, руководствуясь шестью простыми правилами:

поверните направо для цели и препятствия налево;
поверните налево для направления цели и препятствия направо;
поверните налево для цели-влево-препятствия-вправо;
поверните направо на цель-вправо-препятствие-влево;
повернуть налево до цели-налево без препятствий;
поверните направо к цели-направо без препятствий.

Виртуальное насекомое, управляемое обученной импульсной нейронной сетью, после тренировки может найти пищу в любой неизвестной местности. ^[10] После нескольких поколений применения правил обычно возникают некоторые формы сложного поведения . Сложность нарастает за сложностью до тех пор, пока результат не станет чем-то заметно сложным и зачастую совершенно нелогичным по сравнению с тем, что ожидалось бы от исходных правил (см. сложные системы ). По этой причине при моделировании нейронной сети необходимо точно моделировать сеть in vivo путем живого набора коэффициентов «шума», которые можно использовать для уточнения статистических выводов и экстраполяции по мере увеличения сложности системы. ^[11]

Естественная эволюция является хорошей аналогией этому методу: правила эволюции ( отбор , рекомбинация /воспроизведение, мутация и, в последнее время, транспозиция ) в принципе являются простыми правилами, однако за миллионы лет были созданы удивительно сложные организмы. Похожий метод используется в генетических алгоритмах .

Мозговые вычисления

Вычисления, основанные на мозге, относятся к вычислительным моделям и методам, которые в основном основаны на механизме работы мозга, а не полностью имитируют мозг. Цель состоит в том, чтобы дать возможность машине реализовать различные когнитивные способности и механизмы координации людей, используя мозг, и, наконец, достичь или превысить уровень человеческого интеллекта.

Исследовать

Исследователи искусственного интеллекта теперь осознают преимущества обучения с помощью механизма обработки информации мозгом. А прогресс науки о мозге и нейробиологии также обеспечивает необходимую основу для обучения искусственного интеллекта механизму обработки информации в мозге. Исследователи мозга и нейробиологии также пытаются применить понимание обработки информации мозгом в более широком диапазоне научных областей. Развитие этой дисциплины выигрывает от развития информационных технологий и интеллектуальных технологий, а мозг и нейробиология, в свою очередь, также будут вдохновлять следующее поколение на трансформацию информационных технологий.

Влияние науки о мозге на вычисления, основанные на мозге

Достижения в области мозга и нейробиологии, особенно с помощью новых технологий и нового оборудования, помогают исследователям получать многомасштабные и многотипные биологические доказательства работы мозга с помощью различных экспериментальных методов и пытаются раскрыть структуру биоинтеллекта на основе различных экспериментальных методов. различные аспекты и функциональная основа. От микроскопических нейронов, синаптических рабочих механизмов и их характеристик до модели мезоскопических сетевых связей , связей в макроскопическом мозговом интервале и их синергетических характеристик — многомасштабная структура и функциональные механизмы мозга, полученные в результате этих экспериментальных и механистических исследований, будут обеспечить важное вдохновение для создания будущей вычислительной модели, основанной на мозге. ^[12]

Чип, вдохновленный мозгом

В общих чертах, «чип, вдохновленный мозгом», относится к чипу, разработанному с учетом структуры нейронов человеческого мозга и когнитивного режима человеческого мозга. Очевидно, что « нейроморфный чип» — это чип, вдохновленный мозгом, который фокусируется на разработке структуры чипа со ссылкой на модель нейронов человеческого мозга и структуру его ткани, что представляет собой основное направление исследований чипов, вдохновленных мозгом. Наряду с появлением и развитием «мозговых планов» в различных странах появилось большое количество результатов исследований нейроморфных чипов, которые привлекли широкое международное внимание и хорошо известны академическому сообществу и отрасли. Например, поддерживаемые ЕС SpiNNaker и BrainScaleS, Стэнфордская Neurogrid , IBM TrueNorth и Qualcomm Zeroth .

TrueNorth — это интеллектуальный чип, который IBM разрабатывает уже почти 10 лет. Программа DARPA США финансирует IBM разработку чипов импульсных нейронных сетей для интеллектуальной обработки с 2008 года. В 2011 году IBM впервые разработала два прототипа когнитивного кремния, моделируя структуры мозга, которые могут обучаться и обрабатывать информацию, как мозг. Каждый нейрон чипа, вдохновленного мозгом, соединен с массивным параллелизмом. В 2014 году IBM выпустила мозговой чип второго поколения под названием TrueNorth. По сравнению с чипами первого поколения, основанными на мозге, производительность чипа TrueNorth резко возросла, а количество нейронов увеличилось с 256 до 1 миллиона; количество программируемых синапсов выросло с 262 144 до 256 миллионов; Субсинаптический режим с общей потребляемой мощностью 70 мВт и потребляемой мощностью 20 мВт на квадратный сантиметр. В то же время TrueNorth обрабатывает ядерный объем, составляющий лишь 1/15 объема мозговых чипов первого поколения. В настоящее время IBM разработала прототип нейронного компьютера, использующего 16 чипов TrueNorth с возможностью обработки видео в реальном времени. ^[13] Сверхвысокие показатели и совершенство чипа TrueNorth вызвали большой резонанс в академическом мире в начале его выпуска.

В 2012 году Институт вычислительных технологий Китайской академии наук (CAS) и французская Inria совместно разработали первый в мире чип, поддерживающий процессорную архитектуру глубоких нейронных сетей «Cambrian». ^[14] Эта технология выиграла лучшие международные конференции в области компьютерной архитектуры ASPLOS и MICRO, а ее метод проектирования и производительность получили международное признание. Чип можно использовать в качестве выдающегося представителя исследовательского направления чипов, вдохновленных мозгом.

Проблемы в компьютерных вычислениях, основанных на мозге

Непонятный механизм познания мозга

Человеческий мозг – продукт эволюции. Хотя его структура и механизм обработки информации постоянно оптимизируются, компромиссы в процессе эволюции неизбежны. Черепная нервная система представляет собой многоуровневую структуру. В механизме обработки информации на каждом масштабе все еще существует несколько важных проблем, таких как тонкая структура связей нейронных масштабов и механизм обратной связи на уровне мозга. Поэтому даже комплексный подсчет количества нейронов и синапсов составляет всего 1/1000 размера человеческого мозга, и его пока очень сложно изучать на современном уровне научных исследований. ^[15]Недавние достижения в области моделирования мозга связали индивидуальную вариабельность скорости когнитивной обработки человека и подвижного интеллекта с балансом возбуждения и торможения в структурных сетях мозга , функциональными связями , принципом принятия решений по принципу «победитель получает все» и - аттрактором рабочей памятью . ^[16]

Непонятные вычислительные модели и алгоритмы, вдохновленные мозгом

В будущих исследованиях модели когнитивных вычислений мозга необходимо смоделировать систему обработки информации мозга на основе результатов многомасштабного анализа данных нейронной системы мозга, построить вдохновленную мозгом многомасштабную вычислительную модель нейронной сети и смоделировать мультимодальность. мозга в многоуровневом масштабе. Интеллектуальные поведенческие способности, такие как восприятие, самообучение, память и выбор. Алгоритмы машинного обучения не являются гибкими и требуют высококачественных выборочных данных, которые размечаются вручную в больших масштабах. Модели обучения требуют больших вычислительных затрат. Искусственному интеллекту, вдохновленному мозгом, по-прежнему не хватает продвинутых когнитивных способностей и способности к умственному обучению.

Ограниченная вычислительная архитектура и возможности

Большинство существующих чипов, вдохновленных мозгом, по-прежнему основаны на исследованиях архитектуры фон Неймана, а в большинстве материалов для изготовления чипов по-прежнему используются традиционные полупроводниковые материалы. Нейронный чип заимствует лишь самую базовую единицу обработки информации мозгом. Самая базовая компьютерная система, такая как хранение и вычислительное объединение, механизм импульсной разрядки, механизм связи между нейронами и т. д., а также механизм между блоками обработки информации разного масштаба, не были интегрированы в исследование вычислительной архитектуры, основанной на мозге. В настоящее время важной международной тенденцией является разработка компонентов нейронных вычислений, таких как мозговые мемристоры, контейнеры памяти и сенсорные датчики, на основе новых материалов, таких как нанометры, тем самым поддерживая создание более сложных вычислительных архитектур, вдохновленных мозгом. Разработка компьютеров, вдохновленных мозгом, и крупномасштабных вычислительных систем, основанных на мозге, основанных на разработке чипов, основанных на мозге, также требует соответствующей программной среды для поддержки их широкого применения.

См. также

Списки

Ссылки

^ Тьюринг, Алан (1936). О вычислимых числах: с приложением к проблеме Entscheidungs . Математическое общество. OCLC 18386775 .
^ Тьюринг, Алан (09 сентября 2004 г.), «Вычислительная техника и интеллект (1950)» , The Essential Turing , Oxford University Press, стр. 433–464, doi : 10.1093/oso/9780198250791.003.0017 , ISBN 978-0-19-825079-1 , получено 5 мая 2022 г.
^ Маккалок, Уоррен; Питтс, Уолтер (02 февраля 2021 г.), «Логическое исчисление идей, имманентных нервной деятельности (1943)» , Идеи, создавшие будущее , The MIT Press, стр. 79–88, doi : 10.7551/mitpress/12274.003 .0011 , ISBN 9780262363174 , S2CID 262231397 , получено 5 мая 2022 г.
^ Мински, Марвин (1988). Перцептроны: введение в вычислительную геометрию . Массачусетский технологический институт Пресс. ISBN 978-0-262-34392-3 . OCLC 1047885158 .
^ «История: Прошлое» . userweb.ucs.louisiana.edu . Проверено 5 мая 2022 г.
^ Макклелланд, Джеймс Л.; Румельхарт, Дэвид Э. (1999). Параллельная распределенная обработка: исследования микроструктуры познания . МТИ Пресс. ISBN 0-262-18120-7 . OCLC 916899323 .
^ Хофштадтер, Дуглас Р. (1979). Гёдель, Эшер, Бах: вечная золотая коса . Основные книги. ISBN 0-465-02656-7 . OCLC 750541259 .
^ Азими, Джавад; Калл, Пол; Ферн, Сяоли (2009), «Кластеризация ансамблей с использованием алгоритма муравьев» , Методы и модели в искусственных и естественных вычислениях. Дань уважения научному наследию профессора Миры , Конспекты лекций по информатике, том. 5601, Берлин, Гейдельберг: Springer Berlin Heidelberg, стр. 295–304, doi : 10.1007/978-3-642-02264-7_31 , ISBN 978-3-642-02263-0 , получено 5 мая 2022 г.
^ Уилсон, Дэвид Слоан; Трезвый, Эллиотт (1989). «Возрождение суперорганизма» . Журнал теоретической биологии . 136 (3): 337–356. Бибкод : 1989JThBi.136..337W . дои : 10.1016/s0022-5193(89)80169-9 . ISSN 0022-5193 . ПМИД 2811397 .
^ Сюй Цзы; Зие Х; Крейг Х; Сильвия Ф (декабрь 2013 г.). «Непрямое обучение виртуального насекомого, управляемого нейронной сетью, на основе шипов». 52-я конференция IEEE по принятию решений и управлению . стр. 6798–6805. CiteSeerX 10.1.1.671.6351 . дои : 10.1109/CDC.2013.6760966 . ISBN 978-1-4673-5717-3 . S2CID 13992150 . {{cite book}}: |journal= игнорируется ( помогите )
^ Джошуа Э. Мендоса. « Умные вакцины» – образ будущего» . Научные интересы . Архивировано из оригинала 14 ноября 2012 года.
^ Сюй Бо, Лю Чэнлинь, Цзэн И. Состояние исследований и мысли о развитии интеллекта, подобного мозгу [J]. Труды Китайской академии наук, 2016, 31 (7): 793-802.
^ «История развития интеллектуальных чипов в США» . инженерия и мир продуктов Электронная
^ Сунь, Нинхуэй; Ван, Ву, Чэнъюн; Чен, Темам, Оливье Новости компьютерной . архитектуры ACM . 2014 ( Чен, Тяньши ; ) 10.1145/2654822.2541967 .
^ Маркрам Генри, Мюллер Эйлиф, Рамасвами Шрикант Реконструкция и моделирование неокортикальной микросхемы [J].Cell, 2015, Vol.163 (2), стр.456-92PubMed
^ Ширнер, Майкл; Деку, Густаво; Риттер, Петра (2023). «Изучение того, как структура сети влияет на принятие решений в области биовычислений» . Природные коммуникации . 14 (2963): 2963. Бибкод : 2023NatCo..14.2963S . дои : 10.1038/s41467-023-38626-y . ПМК 10206104 . ПМИД 37221168 .

Дальнейшее чтение

(следующее представлено в порядке возрастания сложности и глубины, новичкам в этой области рекомендуется начинать сверху)

« Алгоритмы, вдохновленные природой »
« Биологические вычисления »
« Цифровая биология », Питер Дж. Бентли.
« Первый международный симпозиум по биологическим вычислениям »
Появление: Связанные жизни муравьев, мозгов, городов и программного обеспечения , Стивен Джонсон.
Журнал доктора Добба , апрель 1991 г. (Тема номера: Биокомпьютеры)
Черепахи, термиты и пробки , Митчел Резник.
Понимание нелинейной динамики , Дэниел Каплан и Леон Гласс .
Ридж, Э.; Куденко Д.; Казаков Д.; Карри, Э. (2005). «Перемещение вдохновленных природой алгоритмов в параллельные, асинхронные и децентрализованные среды». Самоорганизация и автономная информатика (I) . 135 : 35–49. CiteSeerX 10.1.1.64.3403 .
«Рои и роевой интеллект» , Майкл Г. Хинчи, Рой Стерритт и Крис Руфф,
Основы естественных вычислений: основные концепции, алгоритмы и приложения , Л. Н. де Кастро, Чепмен и Холл / CRC, июнь 2006 г.
« Вычислительная красота природы », Гэри Уильям Флейк . МТИ Пресс. 1998 г., изд. в твердом переплете; 2000, изд. в мягкой обложке. Углубленное обсуждение многих тем и основных тем биовычислений.
Кевин М. Пассино, Биомимикрия для оптимизации, контроля и автоматизации , Springer-Verlag, Лондон, Великобритания, 2005 г.
Последние достижения в области биологических вычислений , Л. Н. де Кастро и Ф. Дж. Фон Зубен, Idea Group Publishing, 2004.
Нэнси Форбс, Имитация жизни: как биология вдохновляет компьютеры, MIT Press, Кембридж, Массачусетс, 2004 г.
М. Блоуэрс и А. Систи, Эволюционные и биологические вычисления: теория и приложения , SPIE Press, 2007.
XS Ян, Ж. Х. Цуй, Р.Б. Сяо, А. Х. Гандоми, М. Караманоглу, Роевой интеллект и биологические вычисления: теория и приложения , Elsevier, 2013.
« Конспекты лекций по биологическим вычислениям », Луис М. Роша
Портативная система программирования UNIX (PUPS) и CANTOR: вычислительная среда для динамического представления и анализа сложных нейробиологических данных , Марк А. О'Нил и Клаус-С Хилгетаг, Phil Trans R Soc Lond B 356 (2001), 1259– 1276
« Возвращение к нашим корням: биокомпьютеры второго поколения », Дж. Тиммис, М. Амос, В. Банцхаф и А. Тиррелл, Журнал нетрадиционных вычислений 2 (2007) 349–378.
Нойманн, Франк; Витт, Карстен (2010). Биоинспирированные вычисления в комбинаторной оптимизации. Алгоритмы и их вычислительная сложность . Серия естественных вычислений. Берлин: Springer-Verlag . ISBN 978-3-642-16543-6 . Збл 1223.68002 .
Брабазон, Энтони; О'Нил, Майкл (2006). Биологические алгоритмы финансового моделирования . Серия естественных вычислений. Берлин: Springer-Verlag . ISBN 978-3-540-26252-7 . Збл 1117.91030 .
СМ. Пинтеа, 2014, Достижения в области биовычислений для решения задач комбинаторной оптимизации , Springer ISBN 978-3-642-40178-7
« PSA: новый алгоритм оптимизации, основанный на правилах выживания порчеллио », Ю. Чжан и С. Ли.

Внешние ссылки

[1] Тьюринг, Алан (1936). О вычислимых числах: с приложением к проблеме Entscheidungs . Математическое общество. OCLC 18386775 .

[2] Тьюринг, Алан (09 сентября 2004 г.), «Вычислительная техника и интеллект (1950)» , The Essential Turing , Oxford University Press, стр. 433–464, doi : 10.1093/oso/9780198250791.003.0017 , ISBN 978-0-19-825079-1 , получено 5 мая 2022 г.

[3] Маккалок, Уоррен; Питтс, Уолтер (02 февраля 2021 г.), «Логическое исчисление идей, имманентных нервной деятельности (1943)» , Идеи, создавшие будущее , The MIT Press, стр. 79–88, doi : 10.7551/mitpress/12274.003 .0011 , ISBN 9780262363174 , S2CID 262231397 , получено 5 мая 2022 г.

[4] Мински, Марвин (1988). Перцептроны: введение в вычислительную геометрию . Массачусетский технологический институт Пресс. ISBN 978-0-262-34392-3 . OCLC 1047885158 .

[5] «История: Прошлое» . userweb.ucs.louisiana.edu . Проверено 5 мая 2022 г.

[6] Макклелланд, Джеймс Л.; Румельхарт, Дэвид Э. (1999). Параллельная распределенная обработка: исследования микроструктуры познания . МТИ Пресс. ISBN 0-262-18120-7 . OCLC 916899323 .

[7] Хофштадтер, Дуглас Р. (1979). Гёдель, Эшер, Бах: вечная золотая коса . Основные книги. ISBN 0-465-02656-7 . OCLC 750541259 .

[8] Азими, Джавад; Калл, Пол; Ферн, Сяоли (2009), «Кластеризация ансамблей с использованием алгоритма муравьев» , Методы и модели в искусственных и естественных вычислениях. Дань уважения научному наследию профессора Миры , Конспекты лекций по информатике, том. 5601, Берлин, Гейдельберг: Springer Berlin Heidelberg, стр. 295–304, doi : 10.1007/978-3-642-02264-7_31 , ISBN 978-3-642-02263-0 , получено 5 мая 2022 г.

[9] Уилсон, Дэвид Слоан; Трезвый, Эллиотт (1989). «Возрождение суперорганизма» . Журнал теоретической биологии . 136 (3): 337–356. Бибкод : 1989JThBi.136..337W . дои : 10.1016/s0022-5193(89)80169-9 . ISSN 0022-5193 . ПМИД 2811397 .

[Silvia_2013-10] Сюй Цзы; Зие Х; Крейг Х; Сильвия Ф (декабрь 2013 г.). «Непрямое обучение виртуального насекомого, управляемого нейронной сетью, на основе шипов». 52-я конференция IEEE по принятию решений и управлению . стр. 6798–6805. CiteSeerX 10.1.1.671.6351 . дои : 10.1109/CDC.2013.6760966 . ISBN 978-1-4673-5717-3 . S2CID 13992150 . {{cite book}}: |journal= игнорируется ( помогите )

[11] Джошуа Э. Мендоса. « Умные вакцины» – образ будущего» . Научные интересы . Архивировано из оригинала 14 ноября 2012 года.

[12] Сюй Бо, Лю Чэнлинь, Цзэн И. Состояние исследований и мысли о развитии интеллекта, подобного мозгу [J]. Труды Китайской академии наук, 2016, 31 (7): 793-802.

[13] «История развития интеллектуальных чипов в США» . инженерия и мир продуктов Электронная

[14] Сунь, Нинхуэй; Ван, Ву, Чэнъюн; Чен, Темам, Оливье Новости компьютерной . архитектуры ACM . 2014 ( Чен, Тяньши ; ) 10.1145/2654822.2541967 .

[15] Маркрам Генри, Мюллер Эйлиф, Рамасвами Шрикант Реконструкция и моделирование неокортикальной микросхемы [J].Cell, 2015, Vol.163 (2), стр.456-92PubMed

[16] Ширнер, Майкл; Деку, Густаво; Риттер, Петра (2023). «Изучение того, как структура сети влияет на принятие решений в области биовычислений» . Природные коммуникации . 14 (2963): 2963. Бибкод : 2023NatCo..14.2963S . дои : 10.1038/s41467-023-38626-y . ПМК 10206104 . ПМИД 37221168 .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]