99精品伊人亚洲|最近国产中文炮友|九草在线视频支援|AV网站大全最新|美女黄片免费观看|国产精品资源视频|精彩无码视频一区|91大神在线后入|伊人终合在线播放|久草综合久久中文

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫(xiě)文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

一種建模交互神經(jīng)元群體及其網(wǎng)絡(luò)結(jié)構(gòu)的方式

MEMS ? 來(lái)源:MEMS ? 2020-09-20 09:15 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

在科學(xué)實(shí)驗(yàn)中,研究人員往往首先以小白鼠為實(shí)驗(yàn)對(duì)象。雖然是科研需要,但有人譴責(zé)這是對(duì)生命的褻瀆。此外,動(dòng)物測(cè)試成本高且耗時(shí),同時(shí)無(wú)法精確體現(xiàn)人類(lèi)的反應(yīng)。那么有沒(méi)有其他替代品呢?

來(lái)自勞倫斯利弗莫爾國(guó)家實(shí)驗(yàn)室(LLNL)的多學(xué)科科學(xué)家團(tuán)隊(duì)開(kāi)發(fā)了一款三維芯片大腦(brain-on-a-chip),它能夠捕獲體外培養(yǎng)活體腦細(xì)胞的神經(jīng)活動(dòng),并提出了一種建模交互神經(jīng)元群體及其網(wǎng)絡(luò)結(jié)構(gòu)的方式。

LLNL 實(shí)驗(yàn)室工程師與生物學(xué)家團(tuán)隊(duì)成員,由左往右依次是 David Soscia、Nick Fischer 和 Doris Lam

在一篇發(fā)表在《Lab on a Chip》期刊的論文中,LLNL 實(shí)驗(yàn)室研究人員表示,他們創(chuàng)建的 3D 微電極陣列(3DMEA)平臺(tái)能夠維持?jǐn)?shù)十萬(wàn)人類(lèi)神經(jīng)元存活,并使它們?cè)?3D gel 中連接和溝通。此外,使用他們開(kāi)發(fā)的薄膜式微電極陣列可以在長(zhǎng)達(dá) 45 天內(nèi)無(wú)創(chuàng)記錄放電和脈沖。

該研究技術(shù)復(fù)雜度很高,不過(guò)參與的研究人員認(rèn)為,這可以為消除影響大腦功能的毒素或神經(jīng)系統(tǒng)疾?。ㄈ绨d癇)提供高效的新方案。

該研究項(xiàng)目首席研究員 Nick Fischer 表示:“我們的計(jì)劃是匯集工程、生物學(xué)和計(jì)算知識(shí),開(kāi)發(fā)出一種更能代表人腦生理機(jī)能和功能的模型。而這項(xiàng)研究推動(dòng)該領(lǐng)域向著這個(gè)終極目標(biāo)前進(jìn)?!?/p>

LLNL 實(shí)驗(yàn)室致力于在芯片設(shè)備上復(fù)制人體系統(tǒng),而該研究正是其系列工作的一小部分。其目標(biāo)是隨著相關(guān)技術(shù)的不斷發(fā)展,研發(fā)的芯片設(shè)備更適用于人類(lèi),甚至取代動(dòng)物測(cè)試。

Fischer 表示,這項(xiàng) 3D 芯片大腦研究的最終目的是:開(kāi)發(fā)出一個(gè)提供人類(lèi)相關(guān)數(shù)據(jù)的實(shí)驗(yàn)平臺(tái),通過(guò)簡(jiǎn)化、易復(fù)現(xiàn)、中肯的模型系統(tǒng),更好地理解不同類(lèi)型的藥物和治療方案對(duì)人腦功能的影響。

制作和建模芯片大腦

神經(jīng)元被認(rèn)為是大腦中神經(jīng)系統(tǒng)向其他細(xì)胞傳遞信息的基本工作單元。神經(jīng)元交流時(shí),會(huì)產(chǎn)生微小的電信號(hào),微電極可以收集這些電信號(hào)。Fischer 和他的團(tuán)隊(duì)在 2016 年展開(kāi)了這項(xiàng)研究工作,在此過(guò)程中進(jìn)行了多次硬件迭代。他們?cè)O(shè)計(jì)和完善了帶有多電極陣列的芯片大腦設(shè)備。

LLNL 實(shí)驗(yàn)室的芯片大腦示意圖

Fischer 解釋說(shuō):“該陣列是一種培養(yǎng)孔中不同電極的方向,腦細(xì)胞在其上生長(zhǎng)。隨著神經(jīng)網(wǎng)絡(luò)的成熟,這些電極就可以收集神經(jīng)元的放電信號(hào)?!盕ischer 表示,這實(shí)質(zhì)上正是神經(jīng)元相互作用并傳遞電脈沖時(shí)發(fā)生的現(xiàn)象。

該芯片由一種基板構(gòu)成,基板上有一個(gè)穿過(guò)多個(gè)電極的孔,電極走線通向連接器,這些連接器接入的儀器可以記錄從腦細(xì)胞中獲取的電信號(hào)。該儀器與計(jì)算機(jī)連接,因此最終可以得到每個(gè)電極的小數(shù)據(jù)窗口,從中可以觀察到電壓的升高。

Fischer 補(bǔ)充道,隨著時(shí)間的推移,科學(xué)家將二維芯片升級(jí)為三維設(shè)備,這也使該研究更接近人腦的真實(shí)復(fù)雜情況。Fischer 表示三維芯片能夠呈現(xiàn)出非常震撼的圖像。

隨著芯片大腦的發(fā)展,LLNL 實(shí)驗(yàn)室機(jī)器學(xué)習(xí)組 Jose Cadena 和其他研究者建立了一個(gè)時(shí)間隨機(jī)塊模型。該模型可用于可視化和跟蹤神經(jīng)元網(wǎng)絡(luò)在芯片上的變化。該研究想要開(kāi)發(fā)出一種機(jī)制,來(lái)研究芯片上的神經(jīng)元和結(jié)構(gòu)在其存在過(guò)程中的變化。

Cadena 表示之前也有很多關(guān)于理解大腦快照的研究,即將大腦數(shù)據(jù)作為靜態(tài)照片。而這項(xiàng)研究的特別之處在于其模型是時(shí)間模型,可以研究大腦網(wǎng)絡(luò)隨時(shí)間的變化情況。

原始建模實(shí)驗(yàn)表明,以較小的尺寸比例表示人腦活動(dòng)是可行的。盡管該模型是為二維芯片大腦數(shù)據(jù)開(kāi)發(fā)的,但 Cadena 證實(shí)該過(guò)程也適用于三維設(shè)備。

未來(lái)應(yīng)用與實(shí)現(xiàn)前提

大腦活動(dòng)芯片和相關(guān)模型開(kāi)發(fā)獲得了眾多計(jì)算科學(xué)家、工程師和生物學(xué)家的支持。

Fischer 解釋稱(chēng):“為了促進(jìn)這種 3D 芯片大腦的發(fā)展,我們需要設(shè)計(jì)一種能夠從三個(gè)維度實(shí)際監(jiān)測(cè)神經(jīng)元功能的芯片,但項(xiàng)目伊始,我們并不具備相應(yīng)技術(shù),所以必須從內(nèi)部開(kāi)發(fā)。為此,我們需要掌握大量的相關(guān)工程知識(shí)?!?/p>

同時(shí)還需要生物科學(xué)家團(tuán)隊(duì)的助力,以了解細(xì)胞的功能以及它們?nèi)绾卧谠O(shè)備上實(shí)現(xiàn)生長(zhǎng)、培育和維護(hù)。此外,計(jì)算機(jī)專(zhuān)家也需要開(kāi)發(fā)能夠理解 Fischer 所說(shuō)的正在生成的大量數(shù)據(jù)的算法。此外,他還指出這些算法有助于理解這類(lèi)網(wǎng)絡(luò)的時(shí)間效應(yīng)。

Fischer 稱(chēng):“開(kāi)發(fā)這些復(fù)雜系統(tǒng)的關(guān)鍵在于擁有廣泛的專(zhuān)業(yè)知識(shí)?!?/p>

接下來(lái),該模型旨在使用該模型研究對(duì)大腦功能產(chǎn)生負(fù)面影響的化學(xué)或生物制劑,并有興趣制定出相應(yīng)的研究方案。該模型可以為預(yù)測(cè)相關(guān)治療效果助力。

此外,F(xiàn)ischer 稱(chēng)他們正在努力研究阿片類(lèi)藥物在該領(lǐng)域的影響,并希望開(kāi)發(fā)出更多關(guān)于大腦疾病和損傷的模型。該團(tuán)隊(duì)正在尋求外部資金支持,以使用 3D 芯片大腦來(lái)篩選治療方法,并創(chuàng)建更多用于創(chuàng)傷性腦損傷等疾病和障礙的神經(jīng)元模型。

最后,F(xiàn)ischer 表示:“這些項(xiàng)目將永遠(yuǎn)不會(huì)結(jié)束。我的意思是,當(dāng)你確認(rèn)了一件事情時(shí),你回答了1個(gè)問(wèn)題,但會(huì)有其他 10 個(gè)問(wèn)題跳出來(lái)?,F(xiàn)在我們想要探索的領(lǐng)域太多了。但我認(rèn)為想要發(fā)展的關(guān)鍵就是這個(gè)得到計(jì)算模型補(bǔ)充的模型實(shí)驗(yàn)系統(tǒng)。我認(rèn)為我們已經(jīng)做到了這一點(diǎn)?!?/p>

聲明:本文內(nèi)容及配圖由入駐作者撰寫(xiě)或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問(wèn)題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • 芯片
    +關(guān)注

    關(guān)注

    460

    文章

    52505

    瀏覽量

    440780
  • 3D芯片
    +關(guān)注

    關(guān)注

    0

    文章

    52

    瀏覽量

    18792
  • 神經(jīng)元
    +關(guān)注

    關(guān)注

    1

    文章

    368

    瀏覽量

    18837

原文標(biāo)題:3D芯片大腦:在芯片上培養(yǎng)腦細(xì)胞,還能用來(lái)測(cè)試新藥

文章出處:【微信號(hào):MEMSensor,微信公眾號(hào):MEMS】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    無(wú)刷直流電機(jī)單神經(jīng)元自適應(yīng)智能控制系統(tǒng)

    摘要:針對(duì)無(wú)刷直流電機(jī)(BLDCM)設(shè)計(jì)了一種可在線學(xué)習(xí)的單神經(jīng)元自適應(yīng)比例-積分-微分(PID)智能控制器,通過(guò)有監(jiān)督的 Hebb學(xué)習(xí)規(guī)則調(diào)整權(quán)值,每次采樣根據(jù)反饋誤差對(duì)神經(jīng)元權(quán)值進(jìn)行調(diào)整,以實(shí)現(xiàn)
    發(fā)表于 06-26 13:36

    無(wú)刷直流電機(jī)單神經(jīng)元PI控制器的設(shè)計(jì)

    摘要:研究了一種基于專(zhuān)家系統(tǒng)的單神經(jīng)元PI控制器,并將其應(yīng)用于無(wú)刷直流電機(jī)調(diào)速系統(tǒng)中。控制器實(shí)現(xiàn)了PI參數(shù)的在線調(diào)整,在具有PID控制器良好動(dòng)態(tài)性能的同時(shí),減少微分項(xiàng)對(duì)系統(tǒng)穩(wěn)態(tài)運(yùn)行時(shí)的影響,并較好
    發(fā)表于 06-26 13:34

    BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)原則

    BP(back propagation)神經(jīng)網(wǎng)絡(luò)一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò),其網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)原則主要基于以下幾個(gè)方面:
    的頭像 發(fā)表于 02-12 16:41 ?742次閱讀

    BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的比較

    BP神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)在多個(gè)方面存在顯著差異,以下是對(duì)兩者的比較: 、結(jié)構(gòu)特點(diǎn) BP神經(jīng)網(wǎng)絡(luò) : BP
    的頭像 發(fā)表于 02-12 15:53 ?665次閱讀

    BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟詳解

    BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟主要包括以下幾個(gè)階段:網(wǎng)絡(luò)初始化、前向傳播、誤差計(jì)算、反向傳播和權(quán)重更新。以下是對(duì)這些步驟的詳細(xì)解釋?zhuān)?、網(wǎng)絡(luò)初始化 確定網(wǎng)
    的頭像 發(fā)表于 02-12 15:50 ?645次閱讀

    什么是BP神經(jīng)網(wǎng)絡(luò)的反向傳播算法

    神經(jīng)網(wǎng)絡(luò)(即反向傳播神經(jīng)網(wǎng)絡(luò))的核心,它建立在梯度下降法的基礎(chǔ)上,是一種適合于多層神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)算法。該算法通過(guò)計(jì)算每層網(wǎng)絡(luò)的誤差,并將這
    的頭像 發(fā)表于 02-12 15:18 ?765次閱讀

    BP神經(jīng)網(wǎng)絡(luò)的基本原理

    BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network)的基本原理涉及前向傳播和反向傳播兩個(gè)核心過(guò)程。以下是關(guān)于BP神經(jīng)網(wǎng)絡(luò)基本原理的介紹: 網(wǎng)絡(luò)結(jié)構(gòu) BP
    的頭像 發(fā)表于 02-12 15:13 ?855次閱讀

    ANN神經(jīng)網(wǎng)絡(luò)——器件建模

    隨著半導(dǎo)體行業(yè)的新材料、新工藝、新器件的不斷發(fā)展,人工神經(jīng)網(wǎng)絡(luò)作為一種替代方法已經(jīng)被引入器件建模領(lǐng)域。本文介紹了ANN神經(jīng)網(wǎng)絡(luò)建模的起源、優(yōu)
    的頭像 發(fā)表于 01-06 13:41 ?996次閱讀
    ANN<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>——器件<b class='flag-5'>建模</b>

    卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的比較

    神經(jīng)網(wǎng)絡(luò),也稱(chēng)為全連接神經(jīng)網(wǎng)絡(luò)(Fully Connected Neural Networks,F(xiàn)CNs),其特點(diǎn)是每層的每個(gè)神經(jīng)元都與下
    的頭像 發(fā)表于 11-15 14:53 ?1868次閱讀

    RNN模型與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別

    傳統(tǒng)神經(jīng)網(wǎng)絡(luò)(前饋神經(jīng)網(wǎng)絡(luò)) 2.1 結(jié)構(gòu) 傳統(tǒng)神經(jīng)網(wǎng)絡(luò),通常指的是前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Networks,
    的頭像 發(fā)表于 11-15 09:42 ?1125次閱讀

    什么是NPU芯片及其功能

    的設(shè)計(jì)靈感來(lái)源于人腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。人腦通過(guò)神經(jīng)元和突觸的復(fù)雜網(wǎng)絡(luò)處理信息,而NPU芯片則通過(guò)模擬這種結(jié)構(gòu)來(lái)提高數(shù)據(jù)處理的效率。與傳統(tǒng)的CPU和GPU相比,NPU芯片在處理深度學(xué)習(xí)任務(wù)
    的頭像 發(fā)表于 11-14 15:48 ?5231次閱讀

    LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與工作機(jī)制

    LSTM(Long Short-Term Memory,長(zhǎng)短期記憶)神經(jīng)網(wǎng)絡(luò)一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN),設(shè)計(jì)用于解決長(zhǎng)期依賴問(wèn)題,特別是在處理時(shí)間序列數(shù)據(jù)時(shí)表現(xiàn)出色。以下是LSTM神經(jīng)
    的頭像 發(fā)表于 11-13 10:05 ?1631次閱讀

    關(guān)于卷積神經(jīng)網(wǎng)絡(luò),這些概念你厘清了么~

    取特征的強(qiáng)大工具,例如識(shí)別音頻信號(hào)或圖像信號(hào)中的復(fù)雜模式就是其應(yīng)用之。 1、什么是卷積神經(jīng)網(wǎng)絡(luò)? 神經(jīng)網(wǎng)絡(luò)一種神經(jīng)元組成的系統(tǒng)或
    發(fā)表于 10-24 13:56

    matlab 神經(jīng)網(wǎng)絡(luò) 數(shù)學(xué)建模數(shù)值分析

    matlab神經(jīng)網(wǎng)絡(luò) 數(shù)學(xué)建模數(shù)值分析 精通的可以討論下
    發(fā)表于 09-18 15:14

    Python自動(dòng)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)

    人工神經(jīng)網(wǎng)絡(luò)(ANN)是機(jī)器學(xué)習(xí)中一種重要的模型,它模仿了人腦神經(jīng)元的工作方式,通過(guò)多層節(jié)點(diǎn)(神經(jīng)元)之間的連接和權(quán)重調(diào)整來(lái)學(xué)習(xí)和解決問(wèn)題。
    的頭像 發(fā)表于 07-19 11:54 ?701次閱讀