Étape 3: Théorie EEPA
Maintenant, nous parlons de ce que ce projet est sujet ; sur la simulation des processus neuronaux dans une quincaillerie. Globalement parlant, neuronale de simulation peut être divisée en simulation logicielle (par exemple modélisation de neurones sur un ordinateur) et de simulation hardware (c'est-à-dire construire une puce qui fonctionne comme un neurone). Le dernier en date s’appelle neuromorphic génie. Ces chercheurs ont pour objectif de développer des neurones artificiels dans le silicium, c'est-à-dire dans une puce. Pourquoi ? Eh bien, l’un des avantages des neurones de silicium sont leur puissance de calcul; les réseaux neuronaux réel calculer en parallèles wheres ordinateurs série de calcul, le goulot d’étranglement série soi-disant. Si on veut imiter les réseaux neuronaux, calcul parallèle est nécessaire car c’est biologique plausible. En outre, les neurones de silicium sont susceptibles de servir de prothèses neurales, il a déjà été démontré que les neurones artificiels peuvent être connectés aux vrais. En ce qui concerne les neurosciences explicatives, les neurones de silicium ont l’avantage qu’ils peuvent simuler les propriétés électroniques des neurones directement.
Comme vous pouvez le voir, les neurones de silicium ont un certain potentiel. Cependant, comme toujours, il existe certaines limites. Simplement en parlant, les neurones de silicium ne sont pas vrais neurones, évidemment. Par exemple, alors que le potentiel d’action des neurones réels dépend de l’interaction des types différents d’ion, ceux qui ne peuvent pas être modélisés directement dans l’électronique. Dans un circuit électronique, il n’y a qu’un seul porteur de charge, l’électron, et c’est tout. Si l'on veut le comportement du modèle neuronale au niveau moléculaire, on a à l’abstrait à un niveau supérieur, généralement en mettant en place une simulation logicielle.
Ce projet a deux objectifs. Tout d’abord, le cadre vous permettra de simuler non-électronique des propriétés des neurones dans le matériel. Deuxièmement, le cadre vous permettra d’interagir (c'est-à-dire manipuler) le comportement des ions pour cette simulation de processus sont plus facilement accessibles, en particulier à l’observateur. Veuillez noter la différence entre les objectifs poursuivis en génie neuromorphic et ceux mis here.*
EEPA, qui signifie Architecture physique électronique étendu, est une idée originale qui vous permet d’archiver l’objectif deux. Dans l’EEPA, vous ne pas simuler des processus neuronaux directement dans le circuit électronique comme vous le faites dans les neurones de silicium, mais utilisation électronique de façonner le comportement d’un non - électronique propriété physique (p.ex. lumière) donc il montre comportement neuronale (Fig. 6). Cela signifie que les neurones ne sont pas simulés sur le niveau électronique, mais au niveau de la lumière.
Deux caractéristiques de l’EEPA est à noter. Tout d’abord, comme la simulation se déroule sur un niveau plus abstrait (c'est-à-dire la lumière), non - propriétés électroniques peuvent être simulés dans le matériel. En revanche, les propriétés électroniques des neurones peuvent également être directement simulées dans le circuit électronique, donc on ne perd pas de cet avantage des neurones de silicium. Ce n’est rien de nouveau cependant, étant donné que la combinaison de matériel et logiciels de simulation mener à des résultats similaires. La nouveauté réside dans le deuxième long métrage ; comme la simulation devrait vraiment avoir lieu au niveau de la lumière, vous pourriez manipuler le comportement neuronal par manipulation de la lumière. J’ai but que cela rend la simulation plus accessibles à l’utilisateur, pour les non spécialistes aussi bien en ce qui concerne les spécialistes.
Tout cela peut sembler assez abstrait pour vous jusqu'à présent, mais si vous lisez la réalisation technique sur les choses de page suivante devient beaucoup plus clair.
* Les objectifs sont différents de ceux de neuromorphic génie ; sillicon classique neurones sont faites pour être aussi réduite que possible afin de simuler des grands réseaux neurones à faible encombrement. Dans le cadre que se proposait ici, utilisation efficace de l’espace est considérée comme plus important à plus tard les étapes du développement. L’accent est mis sur un modèle accessible qui a le pouvoir de simuler des propriétés à un large éventail de matériel.
