生物计算机发展趋势

生物计算机发展趋势 一(生物计算机的概念与种类: 生物计算机又称仿生计算机，是以生物芯片取代在半导体硅片上集成效以万计的晶体管制成的计算机。它的主要原材料是生物工程技术产生的蛋白质分子，并以此作为生物芯片。生物计算机芯片本身还具有并行处理的功能，其运算速度要比当今最新一代的计算机快10万倍，能量消耗仅相当于普通计算机的十亿分之一，存储信息的空间仅占百亿亿分之一。(摘自《百度百科》) 目前生物计算机原理可分为两个方向。一种基于神经网络原理的神经生物计算机，主要在细胞层面实现计算，突破了冯(诺依曼模型和二进制原理。另一种是仍基于冯(诺依曼模型，通过蛋白质或DNA的某些二态性，在分子生物层面进行运算的蛋白质计算机和DNA计算机。目前，受神经 生物学发展的限制，神经网络计算机的研究还 以仿生为主。DNA计算机被学界认为是目前较 有前途的研究方向。但笔者认为神经网络计算 机才是最有竞争力的生物计算机。 二(产生背景: 1(电子计算机逃脱不了各种传输门延迟时 生物计算机 间的束缚。 2. 作为电子计算机核心元件的大规模集成电路多以硅为材料.按传统工艺,在硅片上集成度有一定的限量。若提高了集成度,电路密集引起的散热问题又难于解决。[1] 3.大型计算机存在严重的电磁干扰问题。 4.随着集成电路工艺的提高，摩尔定律逐渐失效。 5.计算机没有学习能力，人脑的高级功能无法用计算机实现。 因此我们需要从一个全新的角度来考虑计算机的构造。与此同时，生物芯片技术日趋成熟，神经学研究也取得进展进展。生物计算机便应运而生了。 三.生物计算机的优点: 1. 体积小,功效高。1mm2的面积上可容纳数亿个电路,比目前的电子计算机提 高了上百倍。发热和电磁干扰都大大降低。 2. 若能使生物本身的修复机制得到发挥，则即使芯片出了故障也能自我修复，可靠性将大大提高。(这是生物计算机极其诱人的潜在优势) 3. 生物计算机具备并行处理能力，尤其是生物神经计算机，具备很好的并行式分布式存储记忆，广义容错能力。在处理玻尔兹曼自动机模型和一些非数值型问题时现出巨大潜力。真正摆.脱冯诺依曼模型，真正实现智能。 四.生物计算机的主要技术 oP ,5(一)DNA计算机技术: 碱基 ,4,1 DNA具有极强的信息存储能力。一立方米,,32DNA溶液可存储一万亿亿的二进制的数据，远脱氧核糖核酸化学[2] 远超过了目前所有的电子计算机的储存量。 目前，普林斯顿大学已完成试管中的DNA计算实验。但众所周知，试管实验本身具有极强的不精确性。在宏观尺度上，无载体DNA链的解旋和基于PCR技术的复制都极易出错。更可怕的是在数据量增大时，从溶液中分离DNA链成为几乎不可能完成的任务。因此，将DNA碱基固定在芯片上应是最佳选择。事实上，基因芯片早已应用于基因测序等生物工程领域。只要将5碳糖连在玻璃片或碳纤维片等载体上即可。 DNA芯片同样需要编码。编码方法是研究怎样把一个问题进行编码能生成问题所有无重复的可能的潜在解，其中比较著名的方法有Wisconsin大学的A.G.Frutos等提出的模板影射方法和Feldkamp等提出的最小长度字串方法, (1)模板影射方法 模版影射方法是将DNA 分子的编码过程分为二步:1(搜索满足一定条件的二进制串作为模板集合T，其中“1”代表A/T的位置，“0”代表G/C的位置;2(搜索满住一定条件的编码二进制串作为集合M，然后由:最终得到所期望的DNA编TMS，, 码序列集合S，其规则为。 11,10,01,00，,，,，,，,TAGC (2)最小长度子串方法 Feldkamp等提出的最小长度子串评价方法:所有DNA序列(长度)间的相同ns子串的长度为，而长度为n-1的子串在编码集合中最多只能出现一次.于是可以n,1b 定义为: ,,,,1(1)/nn. bi 计算机科学导论专题 DNA序列间的相似度，显然 越大，DNA分子的相似度就越小出错杂交的几率也, 就越小.这与Baum提出要求任意DNA分子间的相同或互补序列的长度不大于一个任意一个正整数k相似.但是，在实际涉及中究竟k制取多大目前还难以确定. 他们的搜索方法如下: (1)产生所有长度为的基础串(base strand)集合; nb (2)过滤掉各种不满足条件的基础串如回文结构,CG含量,启动子，多聚GGG等. (3)随机选取一个的基础串作为有向树的树根;然后去掉树根顶点的第一个字母,在其末尾分别加上4各碱基A,C,G,T生成4个树叶顶点;重复此过程直到生成长度为 的有向路. n,n1b (4)对新生成的DNA序列用各种不同的过滤器进行过滤,如CG含量、解链温度,酶识别序列,同源性等; (5)如果新生成的 cgcgcADNA序列满足要求,就将 cgctcA其加入新生成的序列合cgcgcC gcgctAacgcgc并中止该有向树搜索过cgctcCcgcgcG gcgctC程;否则就回到上一顶 cgctcGcgcgcT点直到遍历完整个有向gcgctG cgctcT树; gcgctT (6)重复(3) (4) (5)步直到基础串集合 变为空集.[2] 此算法不仅基于碱基种类，还基于DNA链的长度。因此可能无法离开溶液。而且DNA生成所使用的PCR技术由于要经历退火，一般会有千分之二左右的错误概率。所以笔者认为可行性并不大。 DNA计算机的发展趋势: 虽然DNA计算机是目前可行性最强的生物计算机，但它最终没有跳出冯(诺依曼模型的思维局限。单纯的DNA操作也不可能实现生物的自我修复功能，二进制的理论机制也不可能实现和人脑的有机融合。在实现学习等高级功能时也必将困难重重。一定程度上，这种生物计算机和现有的电子计算机没有本质区别，只是运算速 3 度大大提高而已。目前，光子计算机的研究也取得了重大进展。光子计算机同样具备并行处理能力，运行速度和存储能力也丝毫不亚于DNA计算机。且由于光传播完全摆脱了电磁干扰，光元件对温度，化学环境的要求也远低于DNA芯片，因此，光计算机的各方面性能和可靠性应都将远远超越DNA计算机。DNA计算机很可能成为没有特色优势的鸡肋，永远停留在实验室里，最终无法真正走向千家万户。 (二)蛋白质计算机 蛋白质计算机本质上也基于冯.诺依曼模型。只是芯片上不再是DNA碱基，而是蛋白质大分子。一般以酶为操作工具，以蛋白质分子的磷酸化和去磷酸化作为二态，实现二进制原理。比较理想的状态是这种生物芯片可以自我修复。 但实现自我修复功能绝非易事。因为生物修复蛋白质要制造新蛋白。制造蛋白质必须有RNA参与。我们必须精确保存制造此蛋白质芯片的全套DNA或RNA。而且tRNA必须处于游离态，还要涉及核糖体和多种酶。这样就很难不涉及溶液。同时芯片又要保持严格的精确性。可以说，如果我们能实现蛋白质芯片的自我修复，就具备了随意制造生物的能力。显然，这样的技术目前根本不现实。因此，要实现芯片自我修复，困难可能是不可克服的。 另一方面，蛋白质是大分子，含有的磷酸基团很可能不止一个。相比于判断DNA碱基类型，磷酸化是一个更不易控制，更易出错的过程。集成的也很难与集成小分子DNA的DNA芯片相媲。 由此可见，蛋白质计算机既无法突破冯.诺依曼模型的局限，也难以实现自我修复，运算速度也没有优势。因此，笔者认为它不是未来计算机的发展方向。 (三)神经生物计算机: 神经生物计算机是在实现人工智能的一种根本思路。基于神经网络模型。事实上，现在基于神经网络模型的电子计 算机也已问世。但笔者认为生物神经 计算机才是最终发展方向。其优势将 在后文中具体论述。 人工智能的核心就是自主学习， 生物的神经系统具备学习能力。因此 模仿生物神经系统成为必然的研究思 神经网络计算机 来源:新京报 计算机科学导论专题报告 路。现在的神经网络感知器把输入看成两个数据与权重两部分，权重与感知器阈值进行比较，如果大于阈值，则输入，否则不输入数据。而每次输入又反过来改变阈值。从而用输入来训练感知器。实现自我学习。 (,)人工神经网络的模型 [3] 人工神经网络的模型很多，可以按照不同的方法进行分类。其中，常见的两种分类方法是，按照网络连接的拓朴结构分类和按照网络内部的信息流向分类。 1. 按照网络拓朴结构分类 网络的拓朴结构，即神经元之间的连接方式。按此划分，可将神经网络结构分为两大类:层次型结构和互联型结构。 层次型结构的神经网络将神经元按功能和顺序的不同分为输出层、中间层(隐层)、输出层。输出层各神经元负责接收来自外界的输入信息，并传给中间各隐层神经元;隐层是神经网络的内部信息处理层，负责信息变换。根据需要可设计为一层或多层;最后一个隐层将信息传递给输出层神经元经进一步处理后向外界输出信息处理结果。 而互连型网络结构中，任意两个节点之间都可能存在连接路径，因此可以根据网络中节点的连接程度将互连型网络细分为三种情况:全互连型、局部互连型和稀疏连接型。 2 按照网络信息流向分类 从神经网络内部信息传递方向来看，可以分为两种类型:前馈型网络和反馈(递归)型网络。 单纯前馈网络的结构与分层网络结构相同，前馈是因网络信息处理的方向是从输入层到各隐层再到输出层逐层进行而得名的。前馈型网络中前一层的输出是下一层的输入，信息的处理具有逐层传递进行的方向性，一般不存在反馈环路。因此这类网络很容易串联起来建立多层前馈网络。 前馈网络的例子有多层感知器(,,,)、学习矢量量化(,,,)网络、小脑模型联接控制(,,,,)网络和数据处理方法(,,,,)网络等。 以下是模式图 5 [4] (,)生物神经计算机的优势: 科学技术的发展过程就是制造黑箱的过程。一代代人类将科学技术分类，打包成黑箱。以后的人们不必再掌握黑箱的内部结构原理，便可直接利用黑箱进行探索。公式，定理，仪器，包括计算机硬件和高级语言，实质上都是科技黑箱。黑箱使我们站在巨人的肩膀上，不必把时间和精力全部花费在学习前人经验上。技术越先进，黑箱往往就越复杂。因此，选用强大的黑箱是构造强大的系统的关键。 在笔者看，神经网络计算机的每个节点都是一个黑箱。现有的电子神经网络计算机的每个神经节点实际就是一个嵌入式。每个节点的功能仍是通过现有计算机原理实现的。这等同于把n个电脑连接起来，规定一种运算规则进行联机工作。这样的系统复杂度太高，不适于集成。因为它更复杂，就必然产生更严重的散热和电磁干扰问题。现在已进入实验阶段的电子神经网络计算机的神经元数目一般不超过1000个。这和人脑的约140亿个神经元数目无法相提并论。事实上，如果在只分子 计算机科学导论专题报告 层面研究，就必须将各种生物放映的微观机制研究透彻，否则只能制造出加强版电子计算机，生物大脑的高级功能仍然难以实现。 那如何实现呢,细胞就是一个绝佳的黑箱。任何一个细胞的构造复杂度都是惊人的。但我们不需要要就透彻，只要给予输入和输出刺激就行了。其尺寸，能耗和运算时间都大大降低。以后，我们也许也可以通过基因工程，在细胞膜上增加光敏蛋白和荧光蛋白，使其具备光计算机的优点，让信息传递进入光时代。 那么，如果使用生物芯片提高运算速度，降低能耗和干扰，是否就比细胞更有优势呢,笔者认为不能。因为联想与想象也是普通计算机所没有的高级功能。目前学界认为并行分布式存储记忆，简单地说即是存储和运算一体化，是实现这一功能的重要思路。生物大脑便是这样。但冯.诺依曼模型中存储和处理是两个独立过程。电子神经网络计算机看似可以将存储和运算集成在一个节点中，但实际上，如果观察节点的拓扑结构就会发现，存储器可以看作仅与该节点处理器相连的独立存储设备。也只有该节点的处理器可以直接调用该存储的数据。由于节点本身还基于在冯.诺依曼模型，因此这是一种存储处理一体化是假一体化。 而且，以细胞为基本单位，在现在来看是最有希望实现硬件自我修复的研究方向。以后若再能合理配合3D打印技术，生产问题应该也可以解决。 综上，生物神经网络计算机的基本原理最先进，它比传统的任何计算机都更具优势。在笔者看来是最具潜力的研究方向。 (,)生物神经计算机发展的隐忧: 让我们忧虑的，不是此技术难以实现，恰恰是智能技术如果发展水平过高，可能给人类社会带来灾难。生物神经计算机是最接近生物体的计算机，生物神经计算机的智能可能会让计算机产生我意识。而且在神经网络原理中，存在由“二八法则”支配的遗忘机制。学习从另一方面看是否定就认识的过程。一旦计算机产生自我意识并遗忘人类编写的控制程序，就可能与人类对立，造成类似科幻电影中的可怕后果。 五.结语 计算机是人类智慧的结晶。它不是一两个天才科学家的作品，而是数学，物理，各种技术和社会生产力数百年积累的成果。从机械到电子，从焊接电路到集成电路，从真空管到晶体管，从大家伙到智能手机„„计算机的发展创造了一个个不可能。 7 然而，这么多年来，计算机一直没有跳出二进制逻辑和冯.诺依曼模型的圈子。从这个层面讲，70年来计算机的发展都只是体积和运算速度的量变。这是受基础学科的发展程度局限的结果。生物计算机，在生物工程取得重大进展是便呼之欲出了。作为IT人，让我们抛弃二进制逻辑和冯(诺依曼模型是困难的。但随着摩尔定律渐渐失效，我们如果永远把思维局限在现有计算机的模式下，留给我们上下翻飞的空间是极其有限的。人类对事物的认识识就像一杯水，不把旧的水倒掉，新的水就进不来。在生物计算机的研制过程中，抛弃已有的二进制和冯.诺依曼体系是困难且痛苦的，但也是取得突破的关键。 要让生物计算机走入千家万户，必须要有敢于舍弃旧认知，勇于开拓的精神。我们相信，在科研工作者们的不懈努力下，随着生物计算机技术的成熟，更多让人惊喜的成果在等着我们～ 参考文献: [1]《百科知识》2008/10/下 [2]《DNA计算的基本理论及算法的研究》魏涛 [3]《神经网络智能计算机》 谢磊 [4]《人工神经网络硬件化途径与神经计算机研究》 [5]《谈计算机学科与生物学科的完美结合》 [6]《,,,计算机原理，进展，及难点》 [7]《生物芯片技术》