神经形态计算促进了深度大脑机器融合,用于高性能神经假体.

科学领域:

• 神经科学和计算机工程 神经科学和计算机工程
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 大脑机器接口 (BMI) 显示出快速发展,但在准确性和稳定性方面存在困难.
• 由于异质性,当前的BMI系统在实现生物大脑和人工机器之间的深度整合方面面临着挑战.
• 可植入的神经假体需要与大脑无连接和集成.

研究的目的:

• 探索神经形态计算模型作为提高BMI性能和可靠性的解决方案.
• 调查生物学上可信的神经形态模型如何促进深度大脑机器融合.
• 为满足低功耗,高性能和长期可用的植入式BMI设备的需求.

主要方法:

• 利用模仿生物神经系统结构和功能的神经形态计算模型.
• 利用神经形态模型的生物可信的基于尖峰的信息处理来实现同质的表示和计算.
• 专注于可植入应用的神经形态计算的能源效率.

主要成果:

• 神经形态模型通过离散的尖峰实现了统一的信息表示和计算,促进了深度的大脑机器融合.
• 这种方法导致BMI系统在高性能和长期可用性方面取得突破.
• 通过神经形态模型可以实现超低能量的计算,使它们适合植入式设备.

结论:

• 神经形态计算和BMI的交集对推进神经假体技术具有重大潜力.
• 可靠的,低功耗的植入式BMI设备的开发是通过神经形态方法来促进的.
• 神经形态计算准备在BMI开发和应用中推动未来的突破.