Микросхемы питания: Микросхемы управления питанием

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og. xn--p1ai/awards/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

общество, гаджеты, мобильный телефон, телефон, смартфоны, александр гаврилов, ано “цифровые платформы”

МОСКВА, 24 ноя — РИА Новости. Одна из самых распространенных проблем, с которой обращаются в сервисные центры по ремонту техники, — это спасение “утонувших” смартфонов. Что делать, если сенсорный телефон упал в воду и не включается или работает со сбоями, — в материале РИА Новости.

Что делать, если телефон упал в воду

Когда смартфон падает в лужу или попадает в другую жидкость, то вода просачивается внутрь устройства и контактирует с внутренними компонентами. В этом случае рекомендуется сразу обратиться в сервисный центр, но если такой возможности нет, можно попытаться решить проблему самостоятельно.

Первые действия

Если смартфон сильно намок или упал в жидкость, первым делом следует выключить телефон, если он реагирует на нажатия, и вытащить батарею. При падении смартфона в соленую воду следует промыть его в пресной воде.

Аккумулятор не вставляют как минимум сутки, а лучше до тех пор, пока специалист не разберет технику и не убедится, что контакты в порядке.

Правила безопасности

Не стоит беспорядочно нажимать на экран смартфона и проверять его работоспособность. Нужно оставить смартфон для сушки, а при первой возможности обратиться в сервисный центр. Если в телефон попало много воды, то его переворачивают вниз отверстиями, из которых вытечет жидкость.

Правила безопасности:

1. 1

   Выключить устройство и не использовать его.

2. 2

   Не трясти телефон и положить его на ровную поверхность.

3. 3

   Не подсоединять к источникам зарядки.

4. 4

   Не разбирать самостоятельно.

Не надо подключать намокший девайс к сети или ПК. Первое чревато ударом тока и замыканием. Второе – тем, что может испортиться не только телефон, но и компьютер.

Как убрать влагу из телефона

Контакт с влагой вызывает короткое замыкание, а в дальнейшем приводит к коррозии, выходу из строя важных блоков и отдельных компонентов устройства.

Самое главное — быстрая реакция. Чем скорее удастся извлечь и просушить девайс, тем больше шансов его реанимировать. Даже если модель смартфона с высоким уровнем защиты от влаги, есть максимум 30 минут, чтобы его спасти. Если к телефону был подсоединен кабель, то нужно отключить от источника питания, только потом брать смартфон в руки.

Добавим, что в сервисных центрах не дают гарантию на бесперебойную работу утопленного телефона.

8 ноября 2020, 02:11

Фен

Сушить телефон феном не советуют даже холодной струей воздуха. Горячая струя может и вовсе расплавить внутренние контакты. Из фена воздух выдувается в девайс, поэтому капельки воды оседают на внутренних деталях, а не испаряются.

Пылесос

Эта техника гораздо эффективнее фена. Пылесос воздух всасывает, поэтому жидкость хорошо испарится из телефона. Чтобы не повредить детали, лучше использовать узкую насадку и постепенно подносить ее ко всем отверстиям устройства. После процедуры необходимо положить смартфон в сухое место.

Теплое помещение или солнце

После тщательной обработки телефона пылесосом девайс оставляют сохнуть на 3-7 дней.

Специалисты категорически не рекомендуют сушить телефон на солнце, так как конденсат останется внутри микросхем.

Силикагель или рис

Рис и силикагель абсорбирует жидкость при прямом контакте. В смартфон же вода попала внутрь, поэтому она никак не впитается в крупинки или шарики силиконового влагопоглотителя.

Тем не менее, таким образом можно просушить аккумулятор, если он вынимается из телефона. Однако внутренние контакты все равно останутся поврежденными.

Спирт

Есть мнение, что намоченный смартфон можно спасти, если оставить в стакане со спиртом на 20-30 минут. Якобы алкоголь вытягивает влагу. Однако воспользовавшиеся таким способом владельцы девайсов отмечают, что через некоторое время экран сильно портится, на нем появляются разноцветные пятна. Эксперт вообще не рекомендует подобное купание. Максимум – спиртное можно использовать, чтобы протереть гаджет.

Роман Тишков, специалист по телефонам, планшетам и ноутбукам сервиса DROIDos, объясняет: “Устройству вредит не влага, а электролиз, который возникает только в том случае, если электроника в этот момент запитана. Спирт, конечно, не проводит электричество. Но моют обычно в водке. Нужно иметь в виду, что водка не меньше, чем вода, изгадит слои подсветки, если у вас IPS-матрица”.

Что нельзя делать

Ни в коем случае упавший в воду телефон не следует пытаться разобрать на части, чтобы протереть и снова собрать. Такие действия испортят его окончательно. Не следует вскрывать корпус, лучше сразу отнести мастеру. Особенно если гарантия еще не закончилась.

Разбор на мелкие части

Только специалисты в сервисном центре могут разобрать телефон, не повредив его элементы. Делать это в домашних условиях категорически не рекомендуется, за исключением, если у владельца уже имеется подобный опыт.

Для свободного выхода влаги нужно снять чехлы, защитные пленки, заглушки, карты памяти и сим-карты. Далее необходимо протереть телефон сухой салфеткой или тряпкой так, чтобы на устройстве не осталось ворсинок.

Заморозка смартфона

Если прибегнуть к такому способу, то после того как девайс вынут из морозильной камеры, образовавшийся в нем лед растает, и внутренние элементы снова намокнут.

Включение в течение первых суток

Обычно влага высыхает в течение нескольких суток. Многие пытаются включить телефон уже через несколько часов. Делать это не рекомендуется, так как для тщательной просушки и испарения влаги требуется не менее суток.

Что делать, если телефон не включается

Современный девайс отключится сам при погружении в воду потому, что в него встроен регулирующий уровень влажности датчик. Он размыкает электрические цепи во избежание короткого замыкания. Принудительный старт может вывести устройство из строя.

Если телефон кнопочный, нажатия на клавиши способствуют проникновению жидкости в корпус. Капли влаги застревают между кнопками. Любое давление проталкивает их внутрь.

Возможные проблемы после просушки

Попавшая в девайс жидкость окажет негативное влияние на его дальнейшую работу.

Сенсор не работает. Причиной стало окисление контактов между шлейфом и сенсором. Если просушка не помогла, лучше обратиться к мастеру. В самом крайнем случае можно попытаться поменять сенсор своими силами.

Инструкция по замене сенсора на новый модуль в домашних условиях:

• —

  Поверхность, на которой планируется разбирать телефон, очищают от пыли и мелкого мусора. Нужно приготовить коробочку, куда потом складывают болтики, чтобы они не растерялись.

• —

  Снимают переднюю и заднюю панели, болты в аккумуляторном отсеке отвинчивают.

• —

  Откручивают два шурупа из верхней части аппарата, разъем экрана отключают и отсоединяют шлейф от микросхем.

• —

  Отделяют плату от экрана. С помощью стирательной резинки зачищают контакты шлейфа до блеска.

• —

  Между сенсором и шлейфом проверяют контакты, подложив ластик между ними. Если реакция есть, значит, контакт исправен.

• —

  Старый модуль меняют на новый.

• —

  Все действия повторяют в обратном порядке, за исключением проверки контакта.

Не работает динамик. Жидкость легко заливается в эту часть телефона. В результате динамик хрипит или перестает работать. Обычно просушка в домашнем режиме помогает, в противном случае придется обратиться в сервисный центр.

Постоянно зависает и перезагружается. Вероятно, работа модуля памяти нарушилась. Можно попробовать просушить еще раз. Если проблемы остались, то без помощи специалиста не обойтись.

Телефон работал, а потом перестал

Если смартфон не заряжается и не включается, значит, металл контактов окислился. Материнская плата и модули в этом случае перестают работать. В сервисном центре специалисты разберут и почистят детали от солей. Иногда приходится менять материнскую плату, но ее стоимость соизмерима со стоимостью нового телефона.

Если девайс упал в воду, стоит придерживаться простых правил:

• —

  как можно скорее вытащить и выключить;

• —

  протереть сухой салфеткой или тряпкой;

• —

  вынуть аккумулятор по возможности;

• —

  просушить в сухом помещении;

• —

  включить только спустя 2-3 дня.

Чистое питание для каждой микросхемы, часть 1: Понятие конденсаторов развязки

Добавлено 27 сентября 2018 в 15:50

Сохранить или поделиться

Полное понимание конденсаторов развязки (блокировочных конденсаторов) поможет вам правильно включать эти критически важные компоненты в ваши проекты.

Конденсаторы, конденсаторы везде

Не исключено, что увлеченный, успешный инженерный студент закончил колледж, почти ничего не узнав об одном из самых распространенных и важных компонентов, которые можно найти в реальных схемах: о блокировочном конденсаторе (конденсаторе развязки). Даже опытные инженеры могут не совсем понимать, почему они включают керамические конденсаторы на 0,1 мкФ рядом с каждым выводом питания каждой микросхемы на каждой печатной плате, которую они проектируют. В данной статье содержится информация, которая поможет вам понять, почему необходимы блокировочные конденсаторы, и как они улучшают производительность схемы, а следующая статья будет посвящена деталям, связанным с выбором конденсаторов развязки и методам компоновки печатных плат, которые максимизируют их эффективность.

Опасности переходного тока

Любой компонент, в котором выходные сигналы быстро переходят из одного состояния в другое, будет генерировать переходные токи. Когда эти переходные токи тянутся непосредственно от источника питания, в результате импеданса источника питания, а также паразитной индуктивности, связанной с проводами и проводниками на печатной плате, создаются переходные напряжения. Этот эффект становится всё более проблематичным, когда компонент должен управлять низкоомной или высокоемкостной нагрузкой: низкоомные нагрузки создают высокие амплитуды переходных процессов, а высокоемкостные нагрузки могут приводить к звону или даже значительным колебаниям в линии питания. Конечным результатом может быть что угодно: от неоптимальной производительности схемы до отказа системы.

Давайте кратко рассмотрим эту проблему переходного тока, используя очень простое моделирование.

Эта схема – это известный CMOS инвертор, что подтверждается связью между входным и выходным напряжениями. Хотя чрезвычайно умная конструкция этого инвертора не требует стабильного напряжения, нам нужно помнить, что значительный переходной ток протекает, когда входное напряжение проходит через область, в которой оба транзистора проводят ток. Этот ток создает помехи для напряжения питания инвертора, соответствующие падению напряжения на сопротивлении источника (в этом моделировании используется 2 Ом, примерно столько можно ожидать от внутреннего сопротивления батареи 9 вольт).

Верно, что величина этих пульсаций будет очень мала, но помните, что интегральная микросхема может содержать сотни или тысячи или миллионы инверторов. Без надлежащей развязки кумулятивный эффект всех этих переходных токов привел бы к всерьез шумному (если к не катастрофически неустойчивому) источнику напряжения. Эксперименты, выполненные инженерами Texas Instruments, показали, что неправильно развязанная линия питания микросхемы, производящей коммутации на частоте 33 МГц, привела к тому, что амплитуда пульсаций достигала бы 2 вольт пик-пик на шине питания 5 вольт!

На следующем графике показано напряжение питания, когда схема симуляции расширяется, составляя теперь 8 инверторов, и включает паразитную индуктивность 1 нГн последовательно с внутренним сопротивлением источника.

Величина переходных процессов увеличилась до почти 0,5 мВ, и оба возмущения проявляют некоторое колебательное поведение.

Цифровые схемы, безусловно, имеют особую склонность к снижению качества электропитания, но аналоговые микросхемы также нуждаются в развязке, чтобы компенсировать быстрые переходные процессы на выходе и защитить их от шума источника питания, создаваемого другими устройствами. Например, коэффициент подавления пульсаций напряжения питания операционного усилителя (ОУ) уменьшается по мере того, как шум источника питания увеличивается по частоте; это означает, что операционный усилитель с некорректной развязкой может создавать высокочастотные возмущения на линии питания, которые распространяются на собственный выходной сигнал ОУ.

Решение

Удобно, что такая серьезная проблема может быть эффективно разрешена с помощью простого, широкодоступного компонента. Но почему конденсатор? Простое объяснение заключается в следующем: конденсатор хранит заряд, который может быть подан на микросхемы через очень низкое последовательное сопротивление и очень низкую последовательную индуктивность. Таким образом, переходные токи могут подаваться от блокировочного конденсатора (через минимальные сопротивление и индуктивность). Чтобы лучше понять это, нам нужно рассмотреть некоторые базовые понятия, связанные с тем, как конденсатор влияет на схему.

Во-первых, короткая заметка о терминологии. Компоненты, обсуждаемые в данной статье, регулярно упоминаются и как «блокировочные конденсаторы», и как «конденсаторы развязки». Здесь есть тонкое различие: «развязка» относится к уменьшению степени, в которой одна часть схемы влияет на другую, а «блокирование» относится к обеспечению низкоимпедансного пути, который позволяет шуму «обходить» микросхему на своем пути к узлу земли. Оба термина могут быть правильно использоваться, поскольку блокировочный конденсатор / конденсатор развязки выполняет обе задачи. Однако в этой статье предпочтение отдается термину «блокировочный конденсатор», чтобы избежать путаницы с последовательным конденсатором развязки, используемым для блокирования постоянной составляющей сигнала.

Заряд и разряд

Основной эффект конденсатора заключается в хранении заряда и освобождении заряда таким образом, что он противостоит изменениям напряжения. Если напряжение внезапно уменьшается, конденсатор подает ток со своих заряженных пластин в попытке сохранить предыдущее напряжение. Если напряжение внезапно увеличивается, пластины конденсаторы сохраняют заряд от тока, созданного повышенным напряжением. Следующая симуляция может помочь вам визуализировать этот процесс.

Обратите внимание, что ток является положительным (т.е. протекает от источника через R1 к C1), когда конденсатор заряжается, и отрицательным (т.е. протекает от C1 через R1 к источнику), когда конденсатор разряжается.

Это фундаментальное поведение заряда и разряда не меняется в зависимости от того, подвергается ли конденсатор воздействию низкочастотных или высокочастотных сигналов. Однако при обсуждении обхода источника питания полезно проанализировать влияние конденсатора двумя разными способами: один для низкочастотных случаев и один для высокочастотных случаев. В контексте низких частот или постоянного тока блокировочный конденсатор противостоит изменениям на линии напряжения путем заряда и разряда. Конденсатор функционирует как низкоомная батарея, которая может обеспечивать небольшую величину переходного тока. В контексте высоких частот конденсатор представляет собой низкоомный путь к земле, который защищает микросхему от высокочастотного шума на линии питания.

Стандартный подход

Приведенный выше анализ помогает понять классическую схему блокировки: конденсатор емкостью 10 мкФ находится в двух-пяти сантиметрах от микросхемы, а керамический конденсатор 0,1 мкФ находится как можно ближе к питающему выводу микросхемы.

Больший конденсатор сглаживает низкочастотные колебания напряжения питания, а меньший конденсатор более эффективно фильтрует высокочастотный шум на линии питания.

Если мы включим эти блокировочные конденсаторы в схему моделирования с 8-ю инверторами, рассмотренную выше, звон будет устранен, а величина возмущений напряжения будет уменьшена с 1 мВ до 20 мкВ.

Идеал и реальность

На этом этапе вам может стать интересно, зачем нам нужен конденсатор 0,1 мкФ в дополнение к конденсатору 10 мкФ. В чем разница между 10 мкФ и 10,1 мкФ? В этом месте обсуждение блокировочных конденсаторов усложняется. Эффективность конкретной схемы блокировки тесно связана с двумя неидеальными характеристиками выбранных конденсаторов: эквивалентное последовательное сопротивление (ESR) и эквивалентная последовательная индуктивность (ESL). В рассмотренном моделировании параллельные конденсаторы 10 мкФ и 0,1 мкФ являются идеальными и дают в результате не более чем идеальный конденсатор 10,1 мкФ. Чтобы сделать симуляцию более близкой к реальности, нам нужно включить обоснованные значения ESR и ESL. После этой модификации мы получим следующее.

Несмотря на то, что это по-прежнему лучше, чем без использования блокировочных конденсаторов, эти результаты значительно хуже, чем мы видели с идеальными конденсаторами.

Эта простая симуляция не может учесть всех паразитных импедансов и других скрытых влияний, присутствующих в реальных микросхемах на реальных печатных платах (особенно те, что включают высокочастотные цифровые сигналы). Дело в том, чтобы продемонстрировать здесь, что проектирование цепи блокировки предполагает тщательное рассмотрение ESR и ESL конденсатора. Не менее важными являются и правильное размещение компонентов, и методы компоновки печатной платы. Все эти подробности мы рассмотрим в следующей статье.

Оригинал статьи:

Теги

Сохранить или поделиться

Новая энергия внутри микросхемы микросхемы:

Суперконденсаторы напоминают электрохимические батареи. Однако, в отличие, например, от литий-ионных аккумуляторов мобильных телефонов, в которых для хранения энергии используются химические реакции, суперконденсаторы накапливают в основном электростатическую энергию, которая связана на границе раздела между жидким и твердым электродами. Подобно батареям, суперконденсаторы обычно представляют собой дискретные устройства с большим разнообразием вариантов использования, от небольших электронных устройств до больших накопителей энергии в электромобилях.

Энергия и плотность мощности суперконденсатора зависит от площади поверхности и проводимости твердых электродов. Исследовательская группа VTT разработала электрод из гибридного наноматериала, который состоит из пористого кремния, покрытого слоем нитрида титана толщиной в несколько нанометров путем осаждения атомных слоев (ALD). Такой подход приводит к рекордно большой проводящей поверхности в небольшом объеме. Включение ионной жидкости в микроканал, образованный между двумя гибридными электродами, приводит к чрезвычайно малому и эффективному накоплению энергии.

Новый суперконденсатор имеет отличные характеристики. Впервые микроконденсатор на основе кремния конкурирует с ведущими устройствами на основе углерода и графена по мощности, энергии и долговечности.

могут быть интегрированы непосредственно с активными микроэлектронными устройствами для хранения электроэнергии, генерируемой различными сборщиками тепловой, световой и вибрационной энергии, а также для подачи электроэнергии при необходимости. Это важно для автономных сенсорных сетей, носимой электроники и мобильной электроники Интернета вещей.

VTT доводит интеграцию до предела, интегрируя новый накопитель энергии в виде микроконденсатора из наноматериалов непосредственно внутри кремниевого чипа. Продемонстрированная внутрикристаллическая технология суперконденсаторов позволяет сохранять энергию до 0,2 джоулей и генерировать впечатляющую мощность 2 Вт на кремниевом кристалле размером один квадратный сантиметр. В то же время он оставляет поверхность микросхемы доступной для активных интегральных микросхем и датчиков.

VTT в настоящее время ищет сторону, заинтересованную в коммерциализации техники.

Статья VTT об интегрированном накоплении энергии будет опубликована в журнале Nano Energy (том 26, август 2016, страницы 340-345). Статью можно прочитать онлайн: http://dx.doi.org/10.1016/j.nanoen.2016.04.029

Микросхемы электронные

Может ли нейробиолог понять микропроцессор?

Abstract

В нейробиологии широко распространено мнение, что мы в первую очередь ограничены данными и что создание больших, мультимодальных и сложных наборов данных с помощью передовых алгоритмов анализа данных приведет к фундаментальному пониманию того, как мозг обрабатывает информацию. .Этих наборов данных еще не существует, и если бы они существовали, у нас не было бы возможности оценить, были ли алгоритмически сгенерированные идеи достаточными или даже правильными. Чтобы решить эту проблему, здесь мы берем классический микропроцессор в качестве модельного организма и используем нашу способность проводить на нем произвольные эксперименты, чтобы увидеть, могут ли популярные методы анализа данных из нейробиологии выяснить, как он обрабатывает информацию. Микропроцессоры относятся к числу тех систем искусственной обработки информации, которые одновременно сложны и понятны на всех уровнях, от общего логического потока через логические вентили до динамики транзисторов.Мы показываем, что подходы раскрывают интересную структуру данных, но не описывают содержательно иерархию обработки информации в микропроцессоре. Это говорит о том, что современные аналитические подходы в нейробиологии могут не дать значимого понимания нейронных систем, независимо от количества данных. Кроме того, мы выступаем за ученых, использующих сложные нелинейные динамические системы с известной достоверностью данных, такие как микропроцессор, в качестве платформы проверки для методов обнаружения временных рядов и структур.

Сведения об авторе

Неврология сдерживается тем фактом, что трудно оценить правильность вывода; Сложность изучаемых систем и их экспериментальная недоступность делают оценку алгоритмических и аналитических технологий в лучшем случае сложной задачей. Таким образом, мы выступаем за тестирование подходов с использованием известных артефактов, когда известна правильная интерпретация. Здесь мы представляем микропроцессорную платформу как один из таких тестовых примеров. Мы обнаруживаем, что многие подходы в нейробиологии, если их использовать наивно, не дают значимого понимания.

Образец цитирования: Йонас Э., Кординг К.П. (2017) Может ли нейробиолог понять микропроцессор? PLoS Comput Biol 13 (1): e1005268. https://doi.org/10.1371/journal.pcbi.1005268

Редактор: Йорн Дидрихсен, Университетский колледж Лондона, ВЕЛИКОБРИТАНИЯ

Поступила: 18.09.2016; Одобрена: 16 ноября 2016 г . ; Опубликовано: 12 января 2017 г.

Авторские права: © 2017 Jonas, Kording.Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все данные доступны на http://ericmjonas.github.io/neuroproc/.

Финансирование: EJ частично поддерживается NSF CISE Expeditions Award CCF-1139158, DOE Award SN10040 DE-SC0012463 и DARPA XData Award FA8750-12-2-0331, а также подарками от Amazon Web Services, Google, IBM, SAP, Фонд Томаса и Стейси Сибел, Adatao, Adobe, Apple, Inc., Blue Goji, Bosch, Cisco, Cray, Cloudera, EMC2, Ericsson, Facebook, Fujitsu, Guavus, HP, Huawei, Informatica, Intel, Microsoft, NetApp, Pivotal, Samsung, Schlumberger, Splunk, Virdata и VMware. КПК поддерживается Национальными институтами здравоохранения (Mh203910, NS074044, EY021579). Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.

Введение

Развитие высокопроизводительных методов изучения нейронных систем приводит к эре нейробиологии больших данных [1, 2]. Ученые начинают реконструировать возможности подключения [3], регистрировать активность [4] и моделировать вычисления [5] в беспрецедентных масштабах. Однако даже современные нейробиологические исследования все еще весьма ограничены в отношении сложности организма и пространственно-временного разрешения [6–8]. Трудно оценить, насколько масштабирование этих методов поможет нам понять работу мозга.

В неврологии бывает сложно оценить качество конкретной модели или метода анализа, особенно при отсутствии известной истины. Однако есть и другие системы, в частности созданные руками человека, которые мы понимаем. Таким образом, можно взять систему, созданную человеком, и спросить, позволят ли методы, используемые для изучения биологических систем, понять искусственную систему. Таким образом, мы черпаем вдохновение в известной критике моделирования в молекулярной биологии Юрия Лазбника в 2002 году: «Может ли биолог починить радио?» [9].Однако радио явно намного проще нервной системы, что заставляет нас искать более сложную, но все же хорошо изученную спроектированную систему. Эту функцию могут выполнять микропроцессоры в ранних вычислительных системах.

Здесь мы попытаемся понять известную искусственную систему, классический микропроцессор, применяя методы анализа данных из нейробиологии. Мы хотим увидеть, какое понимание может возникнуть в результате использования широкого спектра популярных в настоящее время методов анализа данных.Для этого мы проанализируем соединения на микросхеме, последствия разрушения отдельных транзисторов, кривые настройки отдельных блоков, общую статистику по транзисторам, локальную активность, предполагаемые соединения и записи всего устройства. Для каждого из них мы будем использовать стандартные методы, популярные в области нейробиологии. Мы обнаружили, что многие показатели мозга и процессора на удивление схожи, но наши результаты не приводят к осмысленному пониманию процессора.Анализ не может дать иерархического понимания обработки информации, которое получают большинство студентов-электротехников. Это предполагает, что наличие неограниченного количества данных, как у процессора, никоим образом не является достаточным для реального понимания работы мозга. Мы утверждаем, что при изучении сложной системы, такой как мозг, методы и подходы должны быть сначала проверены на работоспособность на сложных искусственных системах, которые имеют многие из нарушений допущений моделирования реальной системы.

Инженерная модель организма

MOS 6502 (и практически идентичный MOS 6507) были процессорами в Apple I, Commodore 64 и Atari Video Game System (VCS) (подробный обзор см. В [10]). Команда Visual6502 реконструировала 6507 из физических интегральных схем [11] путем химического удаления эпоксидного слоя и визуализации кремниевого кристалла с помощью светового микроскопа. Как и в случае с текущими работами по коннектомике [12, 13], комбинация алгоритмических и человеческих подходов использовалась для маркировки регионов, идентификации схемных структур и, в конечном итоге, для создания транзисторного списка соединений (полного коннектома) для этого процессора, состоящего из 3510 транзисторы улучшенного режима.Несколько других микросхем поддержки, включая адаптер телевизионного интерфейса (TIA), также были реконструированы, и был написан симулятор с точностью до цикла, который может моделировать напряжение на каждом проводе и состояние каждого транзистора. Реконструкция обладает достаточной точностью для запуска множества классических видеоигр, о которых мы подробно расскажем ниже. Моделирование генерирует информацию о состоянии примерно 1,5 ГБ / сек, что позволяет проводить реальный анализ больших данных процессора.

Простота ранних видеоигр привела к их использованию в качестве модельных систем для обучения с подкреплением [14] и исследования вычислительной сложности [15].Система видеоигр («целое животное») имеет четко определенные выходные данные в каждом из трех поведенческих условий (игр). Он производит зависящий от ввода вывод, который является динамичным и, по мнению авторов, весьма захватывающим. Его можно рассматривать как более сложную версию проекта Mus Silicium [16]. Это также конкретная реализация мысленного эксперимента, о котором то и дело упоминалось в литературе [17–20]. Богатство динамики и наши знания о его внутренней работе делают его привлекательным испытанием для подходов в нейробиологии.

Здесь мы рассмотрим три различных «поведения», то есть три разные игры: Donkey Kong (1981), Space Invaders (1978) и Pitfall (1981). Очевидно, что это «поведение» качественно отличается от поведения животных и может показаться более сложным. Однако даже простое поведение, которое изучается в нейробиологии, по-прежнему включает в себя множество компонентов, обычно включая распределение внимания, когнитивную обработку и множественные модальности входных и выходных данных. Таким образом, объем текущих вычислений в процессоре может быть проще, чем в мозгу.

Задача разумного экспериментального дизайна в нейробиологии часто состоит в том, чтобы найти модели поведения, которые задействуют только один вид вычислений в мозгу. Таким же образом, все наши эксперименты с чипом будут ограничены тем, что мы будем использовать только эти игры для его исследования. Насколько больше нейробиологи интересуются натуралистическим поведением [21], здесь мы анализируем натуралистическое поведение чипа. В будущем, возможно, появится возможность запускать более простой, настраиваемый код на процессоре, чтобы разбирать аспекты вычислений, но в настоящее время у нас нет такой возможности у биологических организмов.

Много было написано о различиях между вычислением in silico и вычислением in vivo [22, 23] – стохастичность, избыточность и надежность [24], присутствующие в биологических системах, кажутся разительно отличными от таковых для микропроцессоров. Но мы можем провести много параллелей между двумя типами систем. Обе системы состоят из взаимосвязанных большого количества более простых, стереотипных вычислительных блоков. Они работают в нескольких временных масштабах.Они состоят из несколько специализированных модулей, организованных иерархически. Они могут гибко направлять информацию и сохранять память с течением времени. Несмотря на множество различий, есть также много общего. Мы не хотим преувеличивать этот случай – во многих отношениях функциональная специализация, присутствующая в большом мозге млекопитающего, намного превосходит специализацию процессора. Действительно, масштаб и специализация процессора больше похожи на C. elegans , чем на мышь.

Тем не менее, многие различия должны сделать анализ микросхемы проще, чем анализ мозга.Например, у него более четкая архитектура и гораздо меньше модулей. Человеческий мозг имеет сотни различных типов нейронов и аналогичное разнообразие белков в каждом отдельном синапсе [25], тогда как наша модель микропроцессора имеет только один тип транзистора (который имеет только три терминала). Процессор детерминирован, в то время как нейроны демонстрируют различные источники случайности. Всего с парой тысяч транзисторов он намного меньше. И, прежде всего, в симуляции он полностью доступен для любых экспериментальных манипуляций, которые мы могли бы захотеть проделать с ним.

Что значит понимать систему

Важно отметить, что процессор позволяет нам спросить: «Мы действительно понимаем эту систему?» Большинство ученых имеют опыт работы с этими классическими системами видеоигр хотя бы на поведенческом уровне, и многие в нашем сообществе, включая некоторых электрофизиологов и вычислительных нейробиологов, имеют формальное образование в области информатики, электротехники, компьютерной архитектуры и разработки программного обеспечения. Таким образом, мы считаем, что большинство нейробиологов могут лучше понимать работу процессора, чем работу мозга.

Что составляет понимание системы? В оригинальной статье Лазбника утверждалось, что понимание достигается тогда, когда можно «исправить» неработающую реализацию. Понимание конкретной области или части системы могло бы произойти, если бы можно было так точно описать входные данные, преобразование и выходы, что одна область мозга могла бы быть заменена полностью синтетическим компонентом. В самом деле, некоторые нейроинженеры идут по этому пути в отношении сенсорных [26] и запоминающих [27] систем. В качестве альтернативы, мы могли бы попытаться понять систему на различных дополнительных уровнях анализа, как обрисовали Дэвид Марр и Томазо Поджио в 1982 г. [28].Во-первых, мы можем спросить, понимаем ли мы, что система делает на вычислительном уровне: какую проблему она пытается решить с помощью вычислений? Мы можем спросить, как система выполняет эту задачу алгоритмически: какие процессы она использует для манипулирования внутренними представлениями? Наконец, мы можем попытаться понять, как система реализует вышеупомянутые алгоритмы на физическом уровне. Каковы характеристики базовой реализации (в случае нейронов, ионных каналов, синаптических проводимостей, нейронных связей и т. Д.), Которые приводят к выполнению алгоритма? В конечном итоге мы хотим понять мозг на всех этих уровнях.

В этой статье, как и в системной нейробиологии, мы рассматриваем стремление понять, как элементы схемы приводят к вычислениям. Компьютерная архитектура изучает, как небольшие элементы схемы, такие как регистры и сумматоры, создают систему, способную выполнять вычисления общего назначения. Что касается процессора, мы очень хорошо понимаем этот уровень, так как ему преподают большинство студентов бакалавриата по информатике. Зная, что такое удовлетворительный ответ на вопрос «как процессор вычисляет?» похоже, позволяет легко оценить, сколько мы узнаем из эксперимента или анализа.

Как могло бы выглядеть удовлетворительное понимание процессора?

Из нашего понимания архитектуры компьютера мы можем твердо обосновать, как будет выглядеть полное понимание процессора (рис. 1). Процессор используется для реализации вычислительной машины. Он реализует конечный автомат, который последовательно считывает инструкцию из памяти (рис. 1а, зеленый), а затем либо изменяет свое внутреннее состояние, либо взаимодействует с миром. Внутреннее состояние хранится в коллекции байтовых регистров (рис. 1а, красный).В качестве примера, процессор может прочитать инструкцию из памяти, сообщающую ему добавить содержимое регистра A к содержимому регистра B. Затем он декодирует эту инструкцию, позволяя арифметико-логическому блоку (ALU, рис. 1a, синий) добавлять эти регистры, хранящие вывод. При желании следующая инструкция может сохранить результат обратно в ОЗУ (рис. 1а, желтый). Именно этот повторяющийся цикл порождает сложную серию поведений, которые мы можем наблюдать в этой системе. Обратите внимание, что это описание во многих отношениях игнорирует функции отдельных транзисторов, вместо этого фокусируясь на схемных модулях, таких как «регистры», которые состоят из множества транзисторов, так же, как системный нейробиолог может сосредоточиться на цитоархитектурно-отличной области, такой как гиппокамп, в отличие от отдельных нейроны.

Рис. 1. Микропроцессор понимается на всех уровнях.

( A ) Сборщик инструкций получает следующую инструкцию из памяти. Затем они преобразуются в электрические сигналы декодером команд, и эти сигналы включают и отключают различные внутренние части процессора, такие как регистры и арифметико-логический блок (ALU). ALU выполняет математические операции, такие как сложение и вычитание. Затем результаты этих вычислений можно записать обратно в регистры или память.( B ) В ALU есть хорошо известные схемы, такие как этот однобитовый сумматор, который суммирует два однобитовых сигнала и вычисляет результат и сигнал переноса. ( C ) Каждый логический вентиль в ( B ) имеет известную таблицу истинности и реализуется небольшим количеством транзисторов. ( D ) Один затвор И-НЕ состоит из транзисторов, каждый транзистор имеет три вывода ( E ). Мы знаем ( F ) точную кремниевую схему каждого транзистора.

https: // doi.org / 10.1371 / journal.pcbi.1005268.g001

Каждая из функций процессора содержит алгоритмы и конкретную реализацию. Внутри арифметико-логического блока имеется байтовый сумматор, который частично состоит из двоичных сумматоров (рис. 1b), которые состоят из вентилей И / И-НЕ, которые сделаны из транзисторов. Это похоже на то, как мозг состоит из областей, цепей, микросхем, нейронов и синапсов.

Если бы мы проанализировали процессор, используя методы системной нейробиологии, мы бы надеялись, что это поможет нам приблизиться к описанию, которое мы использовали выше.В оставшейся части статьи мы применим методы нейробиологии к данным, поступающим от процессора. Наконец, мы обсудим, как нейробиология может работать над методами, которые сделают реальный прогресс в приближении нас к удовлетворительному пониманию вычислений в микросхеме и в нашем мозгу.

Результаты

Подтвердить наше понимание сложных систем невероятно сложно, когда мы не знаем реальной истины. Таким образом, мы используем спроектированную систему MOS6502, в которой мы понимаем каждый аспект ее поведения на многих уровнях.Мы исследуем процессор во все более точном пространственном и временном разрешении, в конечном итоге достигнув истинного масштаба «больших данных»: «карты активности процессора» с каждым состоянием транзистора и напряжением каждого провода. Применяя различные методы, которые в настоящее время используются в нейробиологии, мы зададимся вопросом, как анализ приближает нас к пониманию микропроцессора (рис. 2). Мы будем использовать это четко определенное сравнение, чтобы задать вопросы об обоснованности текущих подходов к изучению обработки информации в мозге.

Рис. 2. Оптическая реконструкция микропроцессора для получения его коннектома.

В [11] кремниевый кристалл ( A ) MOS 6502 был исследован под микроскопом в видимом свете ( B ) для создания мозаики изображений ( C ) поверхности кристалла. Алгоритмы компьютерного зрения использовались для идентификации областей металла и кремния ( E ) для обнаружения транзисторов ( F ), ( G ), в конечном итоге создавая полный точный список соединений процессора ( D ).

https://doi.org/10.1371/journal.pcbi.1005268.g002

Коннектомика

Самыми ранними исследованиями нервных систем были углубленные анатомические исследования [29]. К счастью, с помощью крупномасштабной микроскопии (рис. 2а) мы получили полный трехмерный коннектом системы. Другими словами, мы знаем, как каждый транзистор связан со всеми остальными. Реконструкция настолько хороша, что теперь мы можем идеально смоделировать этот процессор – действительно, если бы не наличие коннектома процессора, эта статья была бы невозможна.Этому процессу способствует тот факт, что мы знаем детерминированную функцию ввода-вывода транзистора, в то время как нейроны являются как стохастическими, так и гораздо более сложными.

Недавно к нейронным коннектомам были применены несколько методов анализа графов, от классических [30] до современных [31, 32]. Подход из [31] был также применен к области этого процессора, пытаясь идентифицировать как мотивы схемы, так и «типы» транзисторов (аналогичные типам ячеек) в схеме соединений транзисторов.На рис. 3 (адаптированном из [31]) показаны результаты анализа. Мы видим, что один идентифицированный тип транзистора содержит «синхронизированные» транзисторы, которые сохраняют цифровое состояние. Два других типа содержат транзисторы с контактами C1 или C2, подключенными к земле, в основном они служат инверторами. Дополнительный идентифицированный тип управляет поведением трех интересующих регистров (X, Y и S) по отношению к шине данных SB, позволяя им либо фиксировать, либо передавать данные с шины. Повторяющиеся шаблоны пространственной связи видны на рис. 3а, где показаны искусственные горизонтальная и вертикальная компоновка транзисторов одного и того же типа.

Рис. 3. Обнаружение подключения и типа ячейки.

Воспроизведено из [31]. ( A ) Пространственное распределение транзисторов в каждом кластере демонстрирует четкую картину ( B ) Кластеры и связность в зависимости от расстояния для соединений между затвором и клеммами C1, затвором и C2, а также клеммами C1 и C2 на транзисторе. Фиолетовый и желтый типы имеют клемму, заземленную, и в основном работают как инверторы. Синие типы синхронизируются, транзисторы с отслеживанием состояния, зеленый управляют ALU, а оранжевый – специальной шиной данных (SDB).

https://doi.org/10.1371/journal.pcbi.1005268.g003

Хотя на первый взгляд впечатляет, на основе результатов этих алгоритмов мы все еще не можем приблизиться к пониманию того, как на самом деле работает процессор. В самом деле, мы знаем, что для этого процессора существует только один физический «тип» транзистора, и что структура, которую мы восстанавливаем, представляет собой сложную комбинацию локальной и глобальной схем.

В нейробиологии идеальная реконструкция всех нейронов и их связей – мечта большого сообщества, изучающего коннектомику [33, 34].Современные подходы к коннектомике ограничены в своей точности и способности окончательно идентифицировать синапсы [13]. К сожалению, у нас еще нет методов, чтобы также реконструировать функцию ввода-вывода – тип нейротрансмиттера, тип ионного канала, кривую I / V каждого синапса. и т. д. – каждого нейрона. Но даже если бы мы это сделали, как и в случае с процессором, мы столкнулись бы с проблемой понимания мозга на основе его коннектома. Поскольку в настоящий момент у нас нет алгоритмов, которые переходят от анатомии к функциям, которые значительно выходят за рамки кластеризации по типу клеток [31, 35, 36], далеко не очевидно, как коннектом позволил бы понять работу мозга.

Обратите внимание, что мы не утверждаем, что коннектомика бесполезна, как раз наоборот – в случае процессора коннектом был первым важным шагом в обеспечении надежного моделирования в масштабе всего мозга. Но даже с коннектомом всего мозга выявить иерархическую организацию и понять природу лежащих в основе вычислений невероятно сложно.

Поражение одного транзистора за раз

Исследования поражений позволяют нам изучить причинный эффект удаления части системы.Таким образом, мы выбрали несколько транзисторов и спросили, необходимы ли они для каждого из режимов работы процессора (рис. 4. Другими словами, мы спросили, будет ли удален каждый транзистор, будет ли после этого процессор загружать игру. Действительно, мы обнаружили, что подмножество транзисторов, которое делает невозможным одно из действий (игр). Таким образом, мы можем сделать вывод, что они однозначно необходимы для игры – возможно, это транзистор Донки Конга или транзистор космических захватчиков. Даже если мы можем повредить каждый отдельный транзистор, мы не сильно приблизились к пониманию того, как на самом деле работает процессор.

Рис. 4. Повреждение каждого транзистора для определения функции.

Мы идентифицируем транзисторы, устранение которых нарушает поведение, аналогичное летальным аллелям или пораженным участкам мозга. Это транзисторы, устранение которых приводит к тому, что процессор не может воспроизвести игру. ( A ) Транзисторы, влияющие только на одно поведение, в зависимости от поведения. ( B ) Распределение воздействия повреждения транзистора по поведенческому состоянию. Исключение 1565 транзисторов не повлияло на ситуацию, а 1560 – запретили любое поведение.

https://doi.org/10.1371/journal.pcbi.1005268.g004

Этот вывод, конечно, вводит в заблуждение. Транзисторы не являются специфическими для какого-либо одного поведения или игры, а скорее реализуют простые функции, такие как полные сумматоры. Вывод о том, что некоторые из них важны, а другие не подходят для данной игры, лишь косвенно указывает на роль транзистора и вряд ли будет распространяться на другие игры. Лазебник [9] сделал аналогичные наблюдения по поводу этого подхода в молекулярной биологии, предположив, что биологи получат большое количество идентичных радиоприемников и стреляют в них металлическими частицами с близкого расстояния, пытаясь определить, какие поврежденные компоненты привели к тому или иному нарушенному фенотипу.

Этот пример прекрасно подчеркивает важность выделения отдельных моделей поведения для понимания вклада частей в общую функцию. Если бы мы смогли выделить одну функцию, возможно, заставив процессор выполнять одну и ту же математическую операцию на каждом шаге, тогда эксперименты с повреждениями могли бы дать более значимые результаты. Однако такая же проблема существует и в неврологии. Чрезвычайно сложно или технически невозможно вызвать поведение, требующее только одного аспекта мозга.

Помимо поведенческого выбора, у нас есть аналогичные проблемы в нейробиологии, которые усложняют интерпретацию данных о поражениях [37]. Во многих случаях микросхема может быть повреждена более чистым способом, чем мозг: мы можем индивидуально отменить каждый транзистор (это становится возможным только сейчас с нейронами в простых системах [38, 39]). Даже без этой проблемы обнаружение того, что повреждение в данной области отменяет функцию, трудно интерпретировать с точки зрения роли области для общих вычислений.И это игнорирует огромную пластичность нейронных систем, которая позволяет регионам замещать поврежденные области. В дополнение к статистическим проблемам, возникающим при проверке множества гипотез, очевидно, что «причинно-следственная связь», которую мы изучаем, невероятно поверхностна: данный транзистор, очевидно, не предназначен для Donkey Kong или Space Invaders.

Хотя для большинства организмов отдельные транзисторы не являются жизненно важными, для многих менее сложных систем они необходимы. Поражение отдельных интернейронов у C.elegans или нейрон h2 на лету могут иметь заметные поведенческие воздействия. И хотя повреждение более крупных элементов схемы, таких как весь графический чип TIA, может привести к грубому разделению функций, мы не согласны с этим составляющим «пониманием». Простое знание функциональной локализации в любом пространственном масштабе – это лишь самый простой шаг к тому пониманию, которое мы описали выше.

Анализ настраиваемых свойств отдельных транзисторов

Мы можем попытаться понять процессор, изучив активность каждого отдельного транзистора.Мы изучаем переход «выключено-включено», или «всплеск», производимый каждым отдельным транзистором. Каждый транзистор будет активирован в несколько моментов времени. В самом деле, эти переходы выглядят удивительно похожими на последовательности спайков нейронов (рис. 5). Следуя стандартам нейробиологии, мы можем затем количественно оценить избирательность настройки каждого транзистора. Для каждого из наших транзисторов мы можем построить график зависимости частоты всплесков от яркости последнего отображаемого пикселя (рис. 6). Для небольшого количества транзисторов мы обнаруживаем сильную настройку яркости последнего отображаемого пикселя, которую мы можем классифицировать на простые (рис. 6a) и (рис. 6b) сложные кривые.Интересно, однако, что мы знаем для каждого из пяти отображаемых транзисторов, что они не имеют прямого отношения к яркости записываемого пикселя, несмотря на их сильную настройку. Транзисторы очень нелинейно влияют на предельную яркость экрана. Таким образом, их кажущаяся настройка не совсем понимает их роль. В нашем случае это, вероятно, связано с различиями между стадиями игры. В головном мозге нейрон может что-то вычислять или находиться выше или ниже по ходу вычислений и по-прежнему демонстрировать очевидную настройку, что делает вывод о роли нейронов на основе данных наблюдений очень трудным [40].Это показывает, насколько сложно получить представление о процессоре по кривым настройки.

Рис. 6. Количественная оценка настроечных кривых для понимания функции.

Средняя характеристика транзистора как функция яркости выходного пикселя. ( A ) Некоторые транзисторы демонстрируют простые одномодальные кривые настройки. ( B ) Более сложные кривые настройки. ( C ) Расположение транзистора на микросхеме.

https://doi.org/10.1371/journal.pcbi.1005268.g006

Большая часть нейробиологии сосредоточена на понимании настраивающих свойств нейронов, цепей и областей мозга [41–44].Возможно, этот подход более оправдан для нервной системы, потому что области мозга более модульны. Однако это вполне может быть иллюзией, и многие исследования, в которых внимательно изучались области мозга, выявили поразительную неоднородность ответов [45–47]. Даже если области мозга сгруппированы по функциям, изучение отдельных единиц внутри может не дать окончательного понимания природы вычислений.

Корреляционная структура показывает слабую парную и сильную глобальную корреляцию

Выходя за рамки корреляции отдельных элементов с поведением, мы можем исследовать корреляции, существующие между отдельными транзисторами.Таким образом, мы выполняем анализ «всплесковых слов» [48], глядя на «всплесковые слова» на 64 транзисторах в процессоре. Мы находим очень слабую корреляцию между большинством пар транзисторов (рис. 7a). Эта слабая корреляция предполагает моделирование активности транзисторов как независимых, но, как мы видим из анализа случайных чисел (рис. 7b), это предположение катастрофически не оправдывает себя при прогнозировании корреляций между многими транзисторами.

Рис. 7. Анализ ключевых слов для понимания синхронных состояний.

( A ) Пары транзисторов показывают очень слабые парные корреляции во время поведения SI, предполагая независимость.( B ) Если бы транзисторы были независимыми, перестановка меток транзисторов (синий) не повлияла бы на распределение выбросов на слово, что не так (красный).

https://doi.org/10.1371/journal.pcbi.1005268.g007

В нейробиологии известно, что парные корреляции в нейронных системах могут быть невероятно слабыми, но все же отражать сильную основную координированную деятельность. Часто считается, что это приводит к пониманию природы взаимодействий между нейронами [48].Однако процессор имеет очень простой характер взаимодействий и при этом выдает удивительно похожую статистику всплесков слов. Это еще раз подчеркивает, насколько сложно получить функциональную информацию из данных о деятельности с использованием стандартных показателей.

Анализ потенциалов локального поля

Активность всего чипа может быть многомерной, но мы знаем, что чип, как и мозг, имеет некоторую функциональную модульность. Таким образом, мы можем понять аспекты его функции, анализируя среднюю активность в локализованных областях, аналогично локальным потенциалам поля или жирным сигналам функциональной магнитной визуализации, которые используются в нейробиологии.Таким образом, мы проанализировали данные в пространственно локализованных областях (рис. 8а). Интересно, что эти средние действия очень похожи на реальные сигналы мозга (рис. 8b). В самом деле, они демонстрируют довольно похожее соотношение частоты и мощности примерно по степенному закону. Это часто рассматривается как явный признак самоорганизованной критичности [49]. Спектральный анализ временных рядов выявляет специфические для региона колебания или «ритмы», которые, как предполагалось, дают ключ как к локальным вычислениям, так и к общему межрегиональному взаимодействию.В микросхеме мы знаем, что, хотя колебания могут отражать лежащую в основе периодичность активности, конкретные частоты и местоположения являются эпифеноменами. Они возникают как артефакт вычислений и мало говорят нам о лежащем в основе потоке информации. А приписать (самоорганизованную) критичность процессору очень сложно.

Рис. 8. Изучение потенциалов локального поля для понимания свойств сети.

Записываем с процессора во время поведения DK. ( A ) Переключение транзисторов интегрировано и фильтруется нижними частотами в указанной области.( B ) измерения потенциала локального поля в указанных областях. ( C ) Спектральный анализ указанных областей LFP идентифицирует различные колебания или «ритмы», специфичные для региона.

https://doi.org/10.1371/journal.pcbi.1005268.g008

В неврологии существует богатая традиция анализа ритмов в областях мозга, распределения мощности по частотам в зависимости от задачи и отношения колебательной активности в пространстве и времени.Однако пример процессора показывает, что связь таких мер с основной функцией может быть чрезвычайно сложной. Фактически, авторы этой статьи ожидали гораздо более пикового частотного распределения для чипа. Более того, распределение частот в мозге часто считается показателем лежащей в основе биофизики. В нашем случае есть только один элемент, транзистор, а не несколько нейротрансмиттеров. И все же мы видим такое же богатое распределение мощности в частотной области.Это показывает, что сложное многочастотное поведение может возникнуть из комбинации многих простых элементов. Таким образом, анализ частотных спектров артефактов заставляет нас быть осторожными при интерпретации артефактов, возникающих в мозгу. Моделирование процессора как связки связанных осцилляторов, как это принято в нейробиологии, имело бы мало смысла.

Причинная связь по Грейнджеру для описания функциональной связности

Причинная связь по Грейнджеру [50] возникла как метод оценки предполагаемых причинно-следственных связей между областями мозга на основе данных LFP.Причинно-следственная связь по Грейнджеру оценивает взаимосвязь между двумя временными рядами X и Y путем сравнения предсказательной силы двух разных моделей временных рядов для прогнозирования будущих значений Y . Первая модель использует только прошлые значения Y , тогда как вторая использует историю X и Y . Добавление X позволяет оценить предполагаемую «причинную связь» (на самом деле, предсказательную силу) X .

Чтобы увидеть, можем ли мы понять пути передачи информации в чипе на основе таких методов, мы проводим условный анализ причинности по Грейнджеру для указанных выше областей LFP для всех трех поведенческих задач и строим полученные выводы о причинных взаимодействиях (рис.9).Мы обнаруживаем, что декодеры влияют на биты состояния. Мы также обнаружили, что на регистры влияет декодер, а на аккумулятор – регистры. Мы также обнаружили связь между двумя частями декодера Donkey Kong и отсутствие связи от аккумулятора с регистрами в Pitfall. Некоторые из этих выводов верны, регистры действительно влияют на аккумулятор, а декодеры действительно влияют на биты состояния. Другие идеи менее верны, например декодирование является независимым, и аккумулятор, очевидно, влияет на регистры.Хотя некоторые общие сведения могут быть возможны, понимание фактических функций процессора ограничено.

Рис. 9. Анализ условной причинности по Грейнджеру для понимания функциональной связности.

Каждая запись поступает из четко определенной функциональной подсхемы. Зеленый и синий – две части схемы декодера. Красный включает биты состояния. Фиолетовый – часть регистров, желтый – части аккумулятора. Мы оценили каждое поведенческое состояние с сайтов LFP, указанных на рис. 8.Стрелки указывают направление причинно-следственной связи по Грейнджеру, толщина стрелки указывает величину эффекта.

https://doi.org/10.1371/journal.pcbi.1005268.g009

Проведенный нами анализ очень похож на ситуацию в нейробиологии. В нейробиологии также сигналы поступают из ряда местных источников. Более того, связей также много, но мы надеемся, что методы сообщат нам о соответствующих. Трудно интерпретировать результаты – что именно говорит нам модель причинности Грейнджера.Причинность по Грейнджеру говорит нам, как активность в прошлом позволяет прогнозировать активность в будущем, и связь оттуда с причинными взаимодействиями в лучшем случае носит предварительный характер [51], и тем не менее такие методы широко используются в крупных подполях нейробиологии. Даже если бы такие методы надежно рассказали нам о крупномасштабных воздействиях, очень трудно перейти от сети с грубым разрешением к микроскопическим вычислениям.

Снижение размерности выявляет глобальную динамику независимо от поведения

В соответствии с последними достижениями в области регистрации данных на животных [2, 6–8], мы измеряем активность всех 3510 транзисторов одновременно для всех трех поведенческих состояний (рис. 10) и строим график нормализованной активности для каждого транзистора в зависимости от времени.Как и в нейронных системах, некоторые транзисторы работают относительно тихо, а некоторые довольно активны, с четкой поведенческой периодичностью, видимой в общей активности.

Рис 10. Карта активности процессора.

Для каждого из трех поведенческих состояний мы построили график всех действий. Активность каждого транзистора нормирована на нулевое среднее значение и единичную дисперсию и отображается как функция времени.

https://doi.org/10.1371/journal.pcbi.1005268.g010

Хотя запись всего мозга может облегчить идентификацию предполагаемых областей, участвующих в определенном поведении [52], в конечном итоге активность на уровне всплеска в этом масштабе трудно определить. интерпретировать.Таким образом, ученые обращаются к методам уменьшения размерности [2, 53, 54], которые стремятся объяснить многомерные данные в терминах низкоразмерного представления состояния. Мы используем неотрицательную матричную факторизацию [55], чтобы идентифицировать составляющие части сигнала по всей изменяющейся во времени активности транзистора. Таким образом, мы впервые в статье используем преимущества всех транзисторов одновременно.

Неотрицательная матричная факторизация предполагает, что каждый восстановленный временной ряд активности транзистора является линейной комбинацией небольшого числа лежащих в основе неотрицательных изменяющихся во времени сигналов (измерений).Аналогично [2] мы строим восстановленные размеры как функцию времени (рис. 11a) и профиль активности транзистора для каждого компонента (рис. 11b). Мы также можем изучить карту активности компонентов транзистора как статически (рис. 11c), так и динамически (видеоролики S1 – S3, доступные в дополнительных материалах онлайн). Ясно, что в этом наборе пространственно-временных данных много структуры.

Рис. 11. Уменьшение размерности для понимания роли транзисторов.

Мы применяем неотрицательную матричную факторизацию (NMF) к задаче космических захватчиков (SI).( A ) показывает шесть уменьшенных измерений как функцию времени, демонстрируя четкую стереотипную активность. ( B ) изученные векторы состояния транзистора для каждого измерения ( C ) Карта общей активности – цвет указывает измерение, в котором транзистор имеет максимальное значение, а насыщенность и размер точки указывают величину этого значения.

https://doi.org/10.1371/journal.pcbi.1005268.g011

Чтобы получить представление о восстановленных измерениях, мы можем попытаться связать части низкоразмерного временного ряда с известными сигналами или переменными, которые, как мы знаем, важны (рис. 12а).Действительно, мы обнаруживаем, что некоторые компоненты относятся как к началу, так и к смещению (нарастание и спад) тактового сигнала (рис. 12b и 12c). Это довольно интересно, поскольку мы знаем, что процессор использует двухфазную частоту. Мы также обнаружили, что компонент сильно связан с сигналом чтения-записи процессора (рис. 12d). Таким образом, мы обнаруживаем, что интересующие переменные действительно кодируются активностью популяции в процессоре.

Рис. 12. Связь размеров с известными сигналами для понимания кода населения.

( A ) Для каждого из восстановленных измерений на рис. 11 мы вычисляем корреляцию во времени с 25 известными сигналами внутри процесса. Поскольку мы знаем цель этих сигналов, мы можем измерить, насколько хорошо измерения объясняют истинную базовую функцию. ( B ) Размерность 1 сильно коррелирует с тактовой частотой процессора CLK0, тогда как ( C ) размер 4 коррелирует с сигналом CLK1OUT, сдвинутым по фазе на 180 градусов. ( D ) размер 0 сильно коррелирует с сигналом RW, указывая на то, что процессор переключается между чтением и записью памяти.

https://doi.org/10.1371/journal.pcbi.1005268.g012

В неврологии также часто обнаруживается, что компоненты уменьшения размерности относятся к интересующим переменным [56, 57]. Обычно это рассматривается как показатель того, что мозг заботится об этих переменных. Однако очевидно, что связь с сигналом чтения-записи и часами не приводит к слишком важному пониманию того, как процессор на самом деле обрабатывает информацию. Подобные вопросы возникают в нейробиологии, где ученые спрашивают, являются ли сигналы, такие как синхронность, центральной частью обработки информации, или они не имеют отношения к побочному продукту [58].Мы должны быть осторожны при оценке того, насколько мы понимаем и насколько нам помогают дополнительные данные.

Обдумывая результаты анализа процессора, мы можем получить некоторое представление о разработках, необходимых для лучшего использования уменьшения размерности для понимания. Узкий диапазон игр, которые мы рассмотрели, и узкий диапазон их внутренних состояний (мы только что смоделировали загрузку) означает, что многие аспекты вычислений не будут отражены в действиях и, следовательно, не в результатах уменьшения размерности.Более того, тот факт, что мы использовали линейную редукцию, допускает только линейные зависимости, а транзисторы, как и нейроны, имеют важные нелинейные зависимости. Наконец, в процессоре явно существует иерархия функций, и нам нужно будет отдать ей должное, используя подходы иерархического анализа. Результаты уменьшения размерности должны быть значимыми для руководства новыми экспериментами, требующими передачи между чипами так же, как эксперименты в области нейробиологии должны передаваться между животными.Что немаловажно, микросхема может работать как тестовый пример, пока мы разрабатываем такие методы.

Обсуждение

Здесь мы взяли реконструированный и смоделированный процессор и обработали «записанные» с него данные так же, как нас учили анализировать данные мозга. Мы использовали его как тестовый пример, чтобы проверить наивное использование различных подходов, используемых в нейробиологии. Мы обнаружили, что стандартные методы анализа данных дают результаты, на удивление похожие на результаты, полученные в отношении реального мозга.Однако в случае процессора мы знаем его функцию и структуру, и наши результаты далеко не дотягивают до того, что мы бы назвали удовлетворительным пониманием.

Очевидно, что мозг не является процессором, и за последнее столетие было потрачено огромное количество усилий и времени на определение этих различий [22, 23, 59]. Нейронные системы являются аналоговыми и биофизически сложными, они работают во временных масштабах значительно медленнее, чем этот классический процессор, но с гораздо большим параллелизмом, чем это доступно в современных процессорах.Типичные нейроны также имеют на несколько порядков больше входов, чем транзистор. Более того, процесс разработки мозга (эволюция) кардинально отличается от процесса разработки процессора (MOS6502 был разработан небольшой группой людей в течение нескольких лет). Таким образом, мы должны скептически относиться к обобщению от процессоров к мозгу.

Однако мы не можем списать неудачу методов, которые мы использовали на процессоре, просто потому, что процессоры отличаются от нейронных систем.В конце концов, мозг также состоит из большого количества модулей, которые могут одинаково переключать свои входные и выходные свойства. Он также имеет заметные колебания, которые также могут действовать как тактовые сигналы [60]. Точно так же небольшое количество релевантных подключений может создать более важные драйверы, чем основная часть деятельности. Кроме того, локализация функции, которая часто используется для упрощения моделей мозга, является лишь очень грубым приближением. Это верно даже в такой области, как V1, где можно найти большое разнообразие совместно локализованных клеток [61].В целом, похоже, нет оснований полагать, что какой-либо из используемых нами методов должен иметь большее значение для мозга, чем для процессора.

Для анализа наших симуляций нам нужно было преобразовать состояние двоичного транзистора процессора в цепочки импульсов, чтобы мы могли применять методы из нейробиологии к (см. Методы). Хотя это может быть артефактом, мы хотим напомнить читателю, что в нейробиологии идея потенциала действия также является лишь приблизительным описанием эффектов активности клетки.Например, известны эффекты, основанные на внесинаптической диффузии нейротрансмиттеров [62], и считается, что активные проводимости в дендритах могут иметь решающее значение для вычислений [63].

Наши поведенческие механизмы полностью пассивны, поскольку симулятор на основе транзисторов слишком медленный, чтобы играть в игру в течение любого разумного времени, а оборудование для ввода / вывода игры еще не реконструировано. Даже если бы мы могли «играть» в игру, размерность входного пространства состояла бы в лучшем случае из нескольких цифровых переключателей и простого джойстика.Это напоминает о достижении задач, которые преобладают в исследованиях движений. Потребуются задачи, которые выделяют один вид вычислений, чтобы исследования интерференции были действительно интерпретируемыми.

Если бы у нас был способ выдвинуть гипотезу о правильной структуре, то его было бы достаточно легко проверить. Действительно, существует ряд крупномасштабных теорий мозга [5, 64, 65]. Однако набор потенциальных моделей мозга невероятно велик. Наши данные о мозге из всех экспериментов на данный момент очень ограничены и основаны на методах, которые мы рассмотрели выше.Таким образом, было бы весьма впечатляюще, если бы какая-либо из этих высокоуровневых моделей действительно соответствовала человеческому мозгу в разумной степени. Тем не менее, они служат прекрасным источником вдохновения для многих текущих исследований в области нейробиологии и начинают демонстрировать поведение, подобное человеческому [64]. Если мозг на самом деле прост, то человек может угадать модель, и с помощью генерации гипотез и их опровержения мы можем в конечном итоге получить эту модель. Если мозг на самом деле не прост, тогда этот подход может никогда не сойтись.Более простые модели могут дать больше понимания – в частности, поиск схемы «сумматора» был бы возможен, если бы мы хорошо разбирались в двоичном кодировании и могли бы разделить систему для конкретного управления входами и выходами субрегиона – исследуйте ее в разрезе, если вы будете.

Аналитические инструменты, которые мы приняли, во многих отношениях «классические», и их обучают аспирантам на курсах нейроинформатики. Недавний прогресс в методах уменьшения размерности, идентификации подпространств, анализа временных рядов и инструментов для построения богатых вероятностных моделей может дать некоторую дополнительную информацию, если предположить, что проблемы масштаба могут быть преодолены.В культурном отношении применение этих методов к реальным данным и вознаграждение тех, кто внедряет методологические инновации, могут стать более важными. Мы можем рассматривать рост биоинформатики как независимую область со своими собственными потоками финансирования. Нейробиологии нужны сильные нейроинформатики, чтобы разобраться в возникающих наборах данных, а известные искусственные системы могут служить проверкой работоспособности и способом понимания режимов отказа.

Мы также хотим предположить, что разработка методов, позволяющих понять процессор, может стать важным промежуточным этапом для нейробиологии.Поскольку они могут быть смоделированы на любом компьютере и произвольно возмущены, они являются отличным испытательным стендом, чтобы спросить, насколько полезны методы, которые мы используем в нейробиологии на ежедневной основе. Научные области часто хорошо работают в ситуациях, когда мы можем измерить, насколько хорошо работает проект. В случае процессоров мы знаем их функции и можем знать, обнаруживают ли их наши алгоритмы. Если наши методы не могут работать с простым процессором, как мы можем ожидать, что он будет работать в нашем собственном мозгу? Машинному обучению и статистике в настоящее время не хватает хороших многомерных наборов данных со сложной базовой динамикой и известной достоверной информацией.Несмотря на то, что динамика процессора не идеальна, она может обеспечить убедительный промежуточный шаг. Кроме того, большинство наборов нейронных данных по-прежнему являются «небольшими данными» – сотнями ячеек за десятки минут. Процессор позволяет создавать временные ряды произвольной сложности и произвольной длины, позволяя сосредоточиться на масштабируемых алгоритмах . Мы должны быть осторожны, чтобы не переусердствовать, но нейробиология изобилует примерами использования аналитических инструментов из различных областей (теория линейных систем, теория случайных процессов, фильтрация Калмана) для понимания нейронных систем.

В случае с процессором мы действительно понимаем, как он работает. У нас есть имя для каждого модуля на микросхеме, и мы знаем, какая область покрывается каждым из них (рис. 13a). Более того, для каждого из этих модулей мы знаем, как его результаты зависят от его входов, и многие студенты-электротехники знают несколько способов реализации одной и той же функции. В случае мозга у нас также есть способ разделить его на области (рис. 13b, заимствованный из [66]). Однако мы используем только анатомию для разделения на модули, и даже среди специалистов существует много разногласий по поводу разделения.Но что наиболее важно, мы обычно не знаем, как выходные данные соотносятся с входами. Как мы рассмотрели в этой статье, мы, возможно, даже захотим быть осторожными с выводами о модулях, которые нейробиология сделала до сих пор, в конце концов, большая часть наших идей исходит из небольших наборов данных с методами анализа, которые делают сомнительные предположения.

Рис. 13. Что такое процессор.

( A ) Под процессором мы понимаем его иерархическую организацию, а также то, какая часть кремния реализует какую функцию.Для каждого из этих «функциональных модулей» мы знаем, как выходы зависят от входов. ( B ) Для мозга сложнее быть уверенным. Зрительная система приматов часто изображается подобным образом, например, эта диаграмма адаптирована из классической диаграммы Феллемана и ван Эссена [66]. Эти области изначально разделены в соответствии с анатомией, но есть широкие споры об идеальном способе разделения мозга на функциональные области. Более того, в настоящее время мы мало понимаем, как результаты каждой области зависят от ее затрат.

https://doi.org/10.1371/journal.pcbi.1005268.g013

Есть и другие вычислительные системы, которые ученые пытаются реконструировать. Особенно актуальными являются искусственные нейронные сети. Разрабатывается множество методов, чтобы узнать, как они работают. Это включает в себя способы позволить сетям рисовать изображения [67] и способы построения оптимальных стимулов для различных областей [68]. Хотя был достигнут прогресс в понимании механизмов и архитектуры сетей, выполняющих классификацию изображений, более сложные системы все еще полностью непрозрачны [69].Таким образом, истинное понимание даже этих сравнительно простых систем, созданных человеком, остается неуловимым, а иногда они могут даже удивить нас, обладая поистине удивительными свойствами [70]. Мозг явно намного сложнее, и наши трудности с пониманием глубокого обучения могут предполагать, что мозг трудно понять, если он использует что-то вроде градиентного спуска для функции стоимости.

Какие разработки сделают понимание процессора и, в конечном итоге, мозга более доступным? Хотя мы не можем предложить окончательного вывода, мы видим несколько способов, которыми мы могли бы лучше понять процессор.Если бы у нас были эксперименты, которые более четко разделяли бы одно вычисление, тогда результаты были бы более значимыми. Например, исследования повреждений были бы гораздо более значимыми, если бы мы также могли одновременно контролировать точный код, который процессор выполнял в данный момент. Совершенно очевидно, что помогли бы лучшие теории; если бы мы знали, что у микропроцессора есть сумматоры, мы могли бы их искать. Наконец, более совершенные методы анализа данных, например те, которые могут явно искать иерархическую структуру или использовать информацию на нескольких процессорах.Особенно многообещающим представляется развитие в этих областях. Микропроцессор может помочь нам, будучи решетом для идей: хорошие идеи для понимания работы мозга также должны помочь нам понять процессор. В конечном итоге проблема не в том, что нейробиологи не могут понять микропроцессор, проблема в том, что они не поймут его, учитывая подходы, которые они сейчас используют.

Методы

Приобретение Netlist

Все сборы и разработка начального моделирования были выполнены Джеймсом [11].Для удаления кэпов нескольких ИС 6502D использовали серную кислоту при температуре 200 ° F. Световые микроскопы Nikon LV150n и Nikon Optiphot 220 были использованы для получения 72 мозаичных изображений кристалла в видимом свете, что дало 342 мегапикселя данных. Вычислительные методы и ручные аннотации, использованные человеком, были разработаны для реконструкции слоев металла, поликремния, переходных отверстий и межсоединений. Таким образом было захвачено 3510 активных транзисторов с расширенным режимом работы. Авторы вывели из топологии схемы 1018 транзисторов с режимом истощения (служащих в качестве подтягивающих устройств), поскольку они не смогли захватить слой маски истощения.

Моделирование и поведение

Был сконструирован оптимизированный симулятор C ++, позволяющий моделировать с частотой 1000 тактовых циклов процессора в секунду. Мы оценили четыре предоставленных ПЗУ (Donkey Kong, Space Invaders, Pitfall и Asteroids), в конечном итоге выбрав первые три, поскольку они надежно управляли TIA и впоследствии создавали кадры изображений. Для каждой игры моделировалось 10 секунд поведения, что давало более 250 кадров за игру.

Исследования повреждений

Моделирование всей схемы обеспечивает высокопроизводительную целенаправленную манипуляцию с базовой схемой.Мы систематически возмущаем каждый транзистор в процессоре, устанавливая на его вход высокий уровень, таким образом оставляя его во включенном состоянии. Мы измеряем влияние поражения по тому, продвинулась ли система достаточно далеко, чтобы нарисовать первый кадр игры. Невыполнение первого кадра считается потерей функции. Мы идентифицировали 1560 транзисторов, которые привели к потере функции во всех играх, 200 транзисторов, которые привели к потере функции в двух играх, и 186 транзисторов, которые привели к потере функции для одной игры.Мы строим график этих одноразовых пораженных транзисторов с помощью игры на рис. 4.

Коннектомический анализ

Используя полученный список соединений, мы реализуем авторский метод из [31] на области процессора, состоящей из регистров X, Y и S. Непараметрическая зависимая от расстояния стохастическая блочная модель совместно подходит для шести матриц связности: G → C 1, G → C 2, C 1 → C 2 C 2 → C 1, C 1 → G , C 2 → G и через цепь Маркова Монте-Карло ищет максимальное апостериорное сравнение для наблюдаемой связности.

Шип

Мы решили сосредоточиться на переключении транзисторов, поскольку это наиболее близко по духу к дискретным потенциалам действия, доступным для нейробиологического анализа. Альтернатива, выполнение анализа сигналов на внутренних проводах, была бы аналогична измерению трансмембранного напряжения. Растры были построены из 10 примеров транзисторов, которые показали достаточную разницу в скорости всплесков.

Кривые настройки

Мы вычисляем яркость по выходному значению RGB симулятора для каждого выходного пикселя в TIA.Затем мы смотрим на растры транзисторов и суммируем активность для 100 предыдущих временных шагов и называем это «средней скоростью». Затем для каждого транзистора мы вычисляем кривую настройки средней скорости в зависимости от яркости, нормированную на частоту появления этого значения яркости. Обратите внимание, что каждая игра выводит только небольшое количество дискретных цветов и, следовательно, дискретные значения яркости. Мы использовали SI, так как он дает наиболее равномерную выборку яркостного пространства. Затем мы оцениваем степень соответствия унимодиальной гауссиане для каждой результирующей кривой настройки и классифицируем кривые настройки на глаз на простые и сложные ответы, репрезентативные примеры которых приведены на рис. 4.

Анализ ключевых слов

Для поведения SI мы взяли активность пиков из первых 100 мс SI и выполнили анализ слова пиков на случайном подмножестве из 64 транзисторов, близких к средней частоте срабатывания всех 3510.

Потенциал местного поля

Для получения «потенциалов локального поля» мы пространственно интегрируем переключение транзисторов по области с гауссовым взвешиванием σ = 500 мкм и фильтруем результат с помощью фильтра нижних частот, используя окно с шириной 4 временных шагов.

Мы вычисляем периодограммы, используя метод Велча с окнами длиной 256 отсчетов без перекрытия и окном Хеннинга.

Причинность по Грейнджеру

Мы применяем методы оценки условной причинности по Грейнджеру, как описано в [71]. Мы берем LFP, сгенерированный с использованием методов, описанных в разделе, и создаем 100 1 мс длительных испытаний для каждого поведенческого эксперимента. Затем мы вычисляем условную причинность по Грейнджеру для порядков модели от 1 до 31. Мы вычисляем BIC для всех типов поведения и выбираем порядок модели 20, поскольку именно здесь находятся плато BIC.

Запись всего мозга

Регистрируется состояние переключения транзистора для первых 10 ⁶ временных меток для каждого поведенческого состояния, и выполняется их дискретизация с шагом в 100 раз. Активность каждого транзистора преобразуется в z-показатель путем вычитания среднего значения и нормализации до единичной дисперсии.

Уменьшение размерности

Мы выполняем уменьшение размерности на первых 100 000 временных шагов векторов состояний транзисторов из 3510 элементов для каждого поведенческого условия.Мы используем неотрицательную матричную факторизацию, которая пытается найти две матрицы, W и H , произведение которых WH аппроксимирует матрицу наблюдаемых данных X . Это равносильно минимизации цели.

Реализация Scikit-Learn [72], инициализированная с помощью разложения по неотрицательному двойному сингулярному числу, решена с помощью координатного спуска, как и по умолчанию. Мы используем скрытую размерность 6, поскольку она была найдена вручную, чтобы обеспечить наиболее интерпретируемые результаты.При построении интенсивность каждого транзистора в скрытом измерении указывается насыщенностью и размером точки.

Чтобы интерпретировать скрытую структуру, мы сначала вычисляем корреляцию со знаком между скрытым размером и каждым из 25 известных сигналов. Мы показываем особенно интерпретируемые результаты.

Дополнительная информация

S1 Video. Видео таймсерии активности Donkey Kong.

Вверху: цветные временные ряды показывают активацию шести найденных неотрицательных компонентов как функцию времени.Внизу: транзисторы, активные в определенный момент времени, окрашены в соответствии с их наиболее активными компонентами.

https://doi.org/10.1371/journal.pcbi.1005268.s001

(MP4)

S2 Видео. Видео таймсерий активности Space Invaders.

Вверху: цветные временные ряды показывают активацию шести найденных неотрицательных компонентов как функцию времени. Внизу: транзисторы, активные в определенный момент времени, окрашены в соответствии с их наиболее активными компонентами.

https://doi.org/10.1371/journal.pcbi.1005268.s002

(MP4)

S3 Видео. Видео таймсерий активности Pitfall.

Вверху: цветные временные ряды показывают активацию шести найденных неотрицательных компонентов как функцию времени. Внизу: транзисторы, активные в определенный момент времени, окрашены в соответствии с их наиболее активными компонентами.

https://doi.org/10.1371/journal.pcbi.1005268.s003

(MP4)

Благодарности

Мы хотели бы поблагодарить команду Visual 6502 за оригинальные работы по моделированию и реконструкции.Мы благодарим Гэри Маркуса, Адама Марблстоуна, Малкольма Макивера, Джона Кракауэра и Ярдена Каца за полезные обсуждения, а также Фонд Кавли за спонсирование «Семинара по кортикальным вычислениям», на котором эти идеи были впервые развиты. Благодарим Phil Mainwaring за предоставление схемы 6502 на рис. 13.

Вклад авторов

1. Концептуализация: EJ.
2. Обработка данных: EJ.
3. Формальный анализ: EJ KPK.
4. Получение финансирования: КПК.
5. Расследование: EJ KPK.
6. Методология: EJ KPK.
7. Администрация проекта: EJ KPK.
8. Ресурсы: EJ.
9. Программное обеспечение: EJ.
10. Надзор: КПК.
11. Проверка: EJ KPK.
12. Визуализация: EJ.
13. Написание – черновик: EJ KPK.
14. Написание – просмотр и редактирование: EJ KPK.

Список литературы

1. 1. Сейновски Т.Дж., Черчленд П.С., Мовшон Я. Использование больших данных в нейробиологии. Природа нейробиологии. 2014; 17 (11): 1440–1. pmid: 25349909
2. 2. Фримен Дж., Владимиров Н., Кавашима Т., Му Й., Софронев Н.Дж., Беннетт Д.В. и др. Масштабирование мозговой активности с помощью кластерных вычислений. Природные методы. 2014; 11 (9). pmid: 25068736
3. 3.Вивьен М. Схема сетей мозга. Природа. 2012; 490: 293–298.
4. 4. Аливисатос А.П., Чун М., Черч Г.М., Гринспен Р.Дж., Роукс М.Л., Юсте Р. Проект карты активности мозга и проблема функциональной коннектомики. Нейрон. 2012; 74 (6): 970–974. pmid: 22726828
5. 5. Маркрам Х. Проект человеческого мозга. Scientific American. 2012; 306: 50–55. pmid: 22649994
6. 6. Аренс М.Б., Ли Дж.М., Орджер МБ, Робсон Д.Н., Шир А.Ф., Энгерт Ф. и др.Общемозговая динамика нейронов во время двигательной адаптации у рыбок данио. Природа. 2012. 485 (7399): 471–477. pmid: 22622571
7. 7. Преведел Р., Юн Иг, Хоффманн М., Пак Н., Ветцштейн Г., Като С. и др. Одновременная трехмерная визуализация нейронной активности всего животного с использованием световой микроскопии. Методы природы. 2014. 11 (7): 727–730. pmid: 24836920
8. 8. Нгуен Дж. П., Шипли Ф. Б., Линдер А. Н., Пламмер Г. С., Лю М., Сетру С.У. и др. Визуализация кальция всего мозга с клеточным разрешением у свободно ведущих Caenorhabditis elegans.Труды Национальной академии наук Соединенных Штатов Америки. 2015; (9): 33. pmid: 26712014
9. 9. Лазебник Ю.А. Может ли биолог починить радио? Или то, что я узнал, изучая апоптоз. Раковая клетка. 2002. 2 (3): 179–182. pmid: 12242150
10. 10. Монфор Н., Богост И. Гонки на луч: компьютерная система видео Atari. Кембридж: MIT Press; 2009.
11. 11. Джеймс Дж., Сильверман Б., Сильверман Б. Визуализация классического процессора в действии.В: ACM SIGGRAPH 2010 Talks on – SIGGRAPH’10. Нью-Йорк, Нью-Йорк, США: ACM Press; 2010. с. 1. Доступно по адресу: http://portal.acm.org/citation.cfm?doid=1837026.1837061. https://doi.org/10.1145/1837026.1837061
12. 12. Такемура Си, Бхариоке А., Лу З., Нерн А., Виталадевуни С., Ривлин П.К. и др. Схема визуального обнаружения движения, предложенная коннектомикой дрозофилы. Природа. 2013; 500 (7461): 175–181. pmid: 23925240
13. 13. Helmstaedter M, Briggman KL, Turaga SC, Jain V, Seung HS, Denk W.Коннектомическая реконструкция внутреннего плексиформного слоя сетчатки мыши. Природа. 2013; 500 (7461): 168–174. pmid: 23925239
14. 14. Mnih V, Kavukcuoglu K, Silver D, Rusu Aa, Veness J, Bellemare MG и др. Контроль на уровне человека посредством глубокого обучения с подкреплением. Природа. 2015; 518 (7540): 529–533. pmid: 25719670
15. 15. Aloupis G, Demaine ED, Guo A, Viglietta G. Классические игры для Nintendo (вычислительно) сложны. В: Материалы 7-й Международной конференции по развлечениям с алгоритмами (FUN 2014).Остров Липари, Италия; 2014. с. 41–50. Доступно по ссылке: http://arxiv.org/abs/1203.1895.
16. 16. Хопфилд Дж. Дж., Броуди CD. Что такое момент? Переходная синхронность как коллективный механизм пространственно-временной интеграции. Труды Национальной академии наук Соединенных Штатов Америки. 2001. 98 (3): 1282–1287. pmid: 11158631
17. 17. Карандини М. От схем к поведению: мост слишком далеко? Природа нейробиологии. 2012; 15 (4): 507–9. pmid: 22449960
18. 18.Маром С. На ненадежном пути обратной нейроинженерии. Границы вычислительной неврологии. 2009; 3 (май): 3–6. pmid: 19503751
19. 19. Мел Б. В мозгу модель – это цель. Природа Неврологии. 2000; 3 (ноябрь):.
20. 20. Браун JW. Рассказ о нейробиологах и компьютере: почему механистическая теория важна. Границы неврологии. 2014; 8 (октябрь): 1–3. pmid: 25400544
21. 21. Кайзер К., Кординг К., Кениг П.Обработка сложных стимулов и природных сцен в зрительной коре. Текущее мнение в нейробиологии. 2004. 14 (4): 468–473. pmid: 15302353
22. 22. фон Нейман Дж. Компьютер и мозг. 1-е изд. Нью-Хейвен: издательство Йельского университета; 1958.
23. 23. Маркус Дж., Мраморный камень А., Дин Т. Атомы нейронных вычислений. Наука. 2014; 346 (6209): 551–552. pmid: 25359953
24. 24. Мардер Э., Гоайярд Дж. М.. Вариабельность, компенсация и гомеостаз нейронных и сетевых функций.Обзоры природы. 2006; 7 (июль): 563–574. pmid: 167
26. 25. О’Рурк Н.А., Вейлер Н.С., Мичева К.Д., Смит С.Дж. Глубокое молекулярное разнообразие синапсов млекопитающих: почему это важно и как его измерить. Обзор Nature Neuroscience. 2012; 13 (6): 365–79. pmid: 22573027
27. 26. Хориучи Т.К., Бишофбергер Б., Кох К. Аналоговая саккадическая система движения глаз СБИС. Достижения в системах обработки нейронной информации 6. 1994; п. 582–589.
28. 27. Бергер Т.В., Хэмпсон Р.Э., Сонг Д., Гунавардена А., Мармарелис В.З., Дедвайлер С.А.Кортикальный нервный протез для восстановления и улучшения памяти. Журнал нейронной инженерии. 2011; 8 (4): 046017. pmid: 21677369
29. 28. Марр Д. ВИДЕНИЕ. Кембридж, Массачусетс: MIT Press; 1982. https://doi.org/10.7551/mitpress/9780262514620.001.0001
30. 29. Джонс EG. Нейроанатомия: Кахаль и после Кахала. Обзоры исследований мозга. 2007; 55 (2 СПЕЦ. ИСС.): 248–255. pmid: 17659350
31. 30. Павлович Д.М., Вертес П.Е., Буллмор Е.Т., Шафер В.Р., Николс Т.Э.Стохастическое блочное моделирование модулей и ядра коннекома Caenorhabditis elegans. PLoS ONE. 2014; 9 (7): e97584. pmid: 24988196
32. 31. Йонас Э., Кординг К. Автоматическое открытие типов клеток и микросхем на основе нейронной коннектомики. eLife. 2015; 4: e04250. pmid: 25928186
33. 32. Тоулсон EK, Vertes PE, Ahnert SE, Schafer WR, Bullmore ET. Богатый клуб нейронального коннектома C. elegans. Журнал неврологии. 2013. 33 (15): 6380–6387. pmid: 23575836
34. 33.Бриггман К.Л., Денк В. К реконструкции нейронной цепи с помощью методов объемной электронной микроскопии. Текущее мнение в нейробиологии. 2006. 16 (5): 562–570. pmid: 16962767
35. 34. Лихтман Дж. В., Санес Дж. Р. Ome sweet ome: что геном может рассказать нам о коннектоме? Текущее мнение в нейробиологии. 2008. 18 (3): 346–353. pmid: 18801435
36. 35. Варшней Л.Р., Чен Б.Л., Паниагуа Е, Холл Д.Х., Чкловский ДБ. Структурные свойства нейрональной сети Caenorhabditis elegans.Вычислительная биология PLoS. 2011; 7 (2): e1001066. pmid: 21304930
37. 36. Усоскин Д., Фурлан А., Ислам С., Абдо Х., Лённерберг П., Лу Д. и др. Беспристрастная классификация типов сенсорных нейронов с помощью крупномасштабного секвенирования одноклеточной РНК. Природа Неврологии. 2014. 18 (1): 145–153. pmid: 25420068
38. 37. Рорден К., Карнат Х.О. Использование поражений человеческого мозга для определения функции: пережиток прошлой эпохи в эпоху фМРТ? Обзор Nature Neuroscience. 2004. 5 (10): 813–9. pmid: 15378041
39. 38.Jenett A, Rubin G, Ngo TTB, Shepherd D, Murphy C, Dionne H и др. Ресурс линии драйвера GAL4 для нейробиологии дрозофилы. Отчеты по ячейкам. 2012; 2 (4): 991–1001. pmid: 23063364
40. 39. Асо Й, Хаттори Д., Ю Й, Джонстон Р. М., Айер На, Нго Т. Т. и др. Нейронная архитектура грибовидного тела обеспечивает логику ассоциативного обучения. eLife. 2014; 3: 1–47. pmid: 25535793
41. 40. Йейтс Дж., Кац Л., Парк И.М., Пиллоу Дж. У., Хук А. Разделяемое функциональное значение деятельности, связанной с выбором, в спинном потоке приматов.Cosyne Abstracts. 2014; 535 (7611): Солт-Лейк-Сити, США.
42. 41. Hubel DH, Wiesel TN. Рецептивные поля, бинокулярное взаимодействие и функциональная архитектура зрительной коры головного мозга кошки. Журнал физиологии. 1962. 160 (1): 106–154. pmid: 14449617
43. 42. О’Киф Дж., Достровский Дж. Гиппокамп как пространственная карта. Предварительные свидетельства активности единиц у свободно передвигающейся крысы. Исследование мозга. 1971; 34 (1): 171–175. pmid: 5124915
44. 43. Хафтинг Т., Фин М., Молден С., Мозер М., Мозер Э.Микроструктура пространственной карты энторинальной коры. Природа. 2005. 436 (7052): 801–806. pmid: 15965463
45. 44. Канвишер Н, Макдермотт Дж., Чун ММ. Веретенообразная область лица: модуль в экстрастриальной коре головного мозга человека, специализирующийся на восприятии лица. Журнал неврологии: официальный журнал Общества неврологии. 1997. 17 (11): 4302–11. pmid: 47
46. 45. Галлант Дж. Л., Коннор К. Э., Ракшит С., Льюис Дж. В., Ван Эссен, округ Колумбия. Нейронные ответы на полярную, гиперболическую и декартовую решетку в области V4 обезьяны-макаки.Журнал нейрофизиологии. 1996. 76 (4): 2718–2739. pmid: 8899641
47. 46. Скоттун BC, Де Валуа Р.Л., Грософ Д.Х., Мовшон Дж.А., Альбрехт Д.Г., Бондс AB. Классификация простых и сложных клеток на основе модуляции ответа. Исследование зрения. 1991. 31 (7–8): 1079–1086. pmid: 1

    6

48. 47. Кирога Р., Редди Л., Крейман Г., Кох С., Фрид И. Инвариантное визуальное представление одиночными нейронами в человеческом мозге. Природа. 2005. 435 (7045): 1102–1107. pmid: 15973409
49. 48.Schneidman E, Berry MJ, Segev R, Bialek W. Слабые парные корреляции подразумевают сильно коррелированные состояния сети в нейронной популяции. Природа. 2006; 440 (апрель): 1007–1012. pmid: 16625187
50. 49. Гессе Дж., Гросс Т. Самоорганизованная критичность как фундаментальное свойство нейронных систем. Границы системной нейробиологии. 2014; 8 (сентябрь): 166. pmid: 25294989
51. 50. Сет А.К., Барретт А.Б., Барнетт Л. Грейнджер Анализ причинно-следственной связи в нейробиологии и нейровизуализации.Журнал неврологии. 2015; 35 (8): 3293–3297. pmid: 25716830
52. 51. Стивенсон И.Х., Кёрдинг КП. О подобии функциональной связи между нейронами, оцениваемой во времени. PLoS ONE. 2010; 5 (2): e9206. pmid: 20174620
53. 52. Huettel SA, Song AW, McCarthy G. Функциональная магнитно-резонансная томография. 3-е изд. Sinauer Associates; 2014.
54. 53. Каннингем Дж. П., Ю. Б. М.. Снижение размерности для крупномасштабных нейронных записей.Природа Неврологии. 2014 ;. pmid: 25151264
55. 54. Черчленд М.М., Каннингем Дж. П., Кауфман М. Т., Фостер Д. Д., Нуюджукиан П., Рю С. И. и др. Динамика нейронной популяции при достижении. Природа. 2012. 487 (7405): 51–6. pmid: 22722855
56. 55. Ли ДД, Сын Х.С. Изучение частей объектов путем факторизации неотрицательной матрицы. Природа. 1999; 401 (6755): 788–91. pmid: 10548103
57. 56. Агарвал Г., Стивенсон И.Х., Берени А., Мидзусеки К., Бузаки Г., Соммер Ф.Т.Пространственно распределенные локальные поля в гиппокампе кодируют положение крысы. Наука. 2014; 344 (6184): 626–630. pmid: 24812401
58. 57. Тинг Л. Х., Маккей Дж. Л. Нейромеханика мышечного синергизма позы и движения. Текущее мнение в нейробиологии. 2007. 17 (6): 622–628. pmid: 18304801
59. 58. Thiele A, Stoner G. Нейронная синхронизация не коррелирует с когерентностью движения в кортикальной области MT. Природа. 2003. 421 (6921): 366–370. pmid: 12540900
60. 59. Кеннеди МБ.Машины обработки сигналов в постсинаптической плотности. Наука (Нью-Йорк, Нью-Йорк). 2000. 290 (5492): 750–4.
61. 60. Бузаки Г. Нейрональные колебания в корковых сетях. Наука. 2004; 304 (5679): 1926–1929. pmid: 15218136
62. 61. Рингач Д.Л., Шепли Р.М., Хокен М.Дж. Ориентационная селективность у макака V1: разнообразие и ламинарная зависимость. Журнал неврологии: официальный журнал Общества неврологии. 2002. 22 (13): 5639–5651. pmid: 12097515
63. 62.Мардер Э., Тирумалай В. Клеточные, синаптические и сетевые эффекты нейромодуляции. Нейронные сети. 2002. 15 (4–6): 479–493. pmid: 12371506
64. 63. Лондон М., Хойссер М. Дендритные вычисления. Ежегодный обзор неврологии. 2005. 28 (1): 503–532. pmid: 16033324
65. 64. Элиасмит К., Стюарт Т.К., Чу Х, Беколай Т., ДеВольф Т., Тан И и др. Крупномасштабная модель функционирующего мозга. Наука. 2012. 338 (6111): 1202–1205. pmid: 23197532
66. 65.Андерсон Дж. Р., Матесса М., Лебьер К. ACT-R: теория познания более высокого уровня и его связь с визуальным вниманием. Взаимодействие человека с компьютером. 1997; 12: 439–462.
67. 66. Феллеман ди-джей, Ван Эссен, округ Колумбия. Распределенная иерархическая обработка в коре головного мозга приматов. Кора головного мозга (Нью-Йорк, Нью-Йорк: 1991). 1991; 1 (1): 1–47. pmid: 1822724
68. 67. Йосински Дж., Клун Дж., Нгуен А., Фукс Т., Липсон Х. Понимание нейронных сетей посредством глубокой визуализации.Международная конференция по машинному обучению – Deep Learning Workshop 2015. 2015; п. 12.
69. 68. Zeiler MD, Fergus R. Визуализация и понимание сверточных сетей. Конспект лекций по информатике (включая подсерии лекций по искусственному интеллекту и лекций по биоинформатике). 2014; 8689 LNCS (ЧАСТЬ 1): 818–833.
70. 69. Липтон Р.Дж., Реган К.В. Magic To Do; 2016 г. Доступно по адресу: https://rjlipton.wordpress.com/2016/02/07/magic-to-do/.
71. 70. Сегеди Ц., Заремба В., Суцкевер И. Интересные свойства нейронных сетей. arXiv препринт. 2013; п. 1–10.
72. 71. Дин М., Чен Й, Бресслер С.Л. Причинность Грейнджера: основная теория и применение в нейробиологии. Справочник по анализу временных рядов. 2006; (февраль): 451–474.
73. 72. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O и др. Scikit-learn: Машинное обучение на Python. Журнал исследований в области машинного обучения.2012; 12: 2825–2830.

: размер, рост, прогноз, бизнес-перспективы на 2021-2027 годы

предоставляет информацию об основных ключевых игроках, географии, сегментации, анализе конкурентов, продажах, доходах, цене, валовой прибыли, доле рынка, импорте -экспорт, тенденции и прогноз на 2021-2027 гг.

Исследование рынка радиоприемопередатчиков – это интеллектуальный отчет, в котором мы тщательно постарались изучить точную и ценную информацию.Данные, которые были изучены, относятся как к лучшим существующим игрокам, так и к будущим конкурентам. Подробно изучаются бизнес-стратегии основных игроков и новых отраслей на развивающемся рынке. Подробный SWOT-анализ, распределение доходов и контактная информация представлены в этом анализе отчета. Он также предоставляет информацию о рынке с точки зрения развития и его емкости.

Получите БЕСПЛАТНУЮ копию этого отчета с графиками и диаграммами по адресу: https: // reportsglobe.com / download-sample /? rid = 187972

Сегментация рынка радиоприемопередатчиков:

Мировой рынок радиоприемопередатчиков настроен на поиск сегментации в отчете по типу и применению. Эти сегменты лучше воспринимают несколько факторов, которые можно принять во внимание, чтобы понять, как рынок может обозначить путь вперед.

По типу:

• Программируемый
• Не программируется

По приложению:

• Мобильный телефон
• Таблетка
• Ноутбук
• Другое

Профили ведущих компаний:

• Rohm Semiconductor
• CML Микросхемы
• Аналоговые устройства
• Сико
• ON Semiconductor
• NXP Semiconductors
• STMicroelectronics
• TI Semiconductor
• Atmel

Мировой рынок радиоприемопередатчиков: региональные сегменты

Global Radio Transceivers Market Report – это профессиональный и глубокий исследовательский отчет о важных рыночных условиях для мировой индустрии радиоприемопередатчиков с акцентом на регионы и страны.

• Ближний Восток и Африка (страны Персидского залива и Египет)
• Северная Америка (США, Мексика и Канада)
• Южная Америка (Бразилия и т. Д.)
• Европа (Турция, Германия, Россия, Великобритания, Италия, Франция и др.)
• Азиатско-Тихоокеанский регион (Вьетнам, Китай, Малайзия, Япония, Филиппины, Корея, Таиланд, Индия, Индонезия и Австралия)

Получите скидку до 50% на этот отчет по адресу: https: // reportsglobe.ru / ask-for-Discount /? rid = 187972

Цели исследования:

• Анализируйте и изучайте общее состояние радиоприемопередатчиков и прогнозы на будущее, включая производство, выручку, потребление, историю и прогноз.
• Для ознакомления с основными производителями, производством, доходами, рыночными долями и последними разработками радиоприемопередатчиков.
• Для разбивки данных по регионам, типам, производителям и приложениям.
• Анализировать потенциал и преимущества, возможности и проблемы, ограничения и риски на мировом рынке и в ключевых регионах.
• Определите наиболее важные глобальные и региональные тенденции, движущие силы и факторы влияния.
• Анализируйте конкурентные разработки, такие как расширения, соглашения, запуск новых продуктов и приобретения на рынке.

Некоторые важные моменты из содержания:

1 Обзор отчета

2 Тенденции рынка и конкурентная среда

3 Сегментация рынка радиоприемопередатчиков по типам

4 Сегментация рынка радиоприемопередатчиков по конечным пользователям

5 Анализ рынка по основным регионам

6 Товарная продукция рынка радиоприемопередатчиков в основных странах

7 Анализ ландшафта радиоприемопередатчиков Северной Америки

8 Анализ ландшафта европейских радиоприемопередатчиков

9 Анализ ландшафта радиоприемопередатчиков Азиатско-Тихоокеанского региона

10 Анализ ландшафта радиоприемников в Латинской Америке, Ближнем Востоке и Африке

Профиль 11 основных игроков

Задавайте вопросы по настройке по телефону: https: // reportsglobe.ru / need-customization /? rid = 187972

Чем Reports Globe отличается от других поставщиков маркетинговых исследований:

Создание Reports Globe было поддержано предоставлением клиентам целостного представления о рыночных условиях и будущих возможностях / возможностях получения максимальной прибыли от своего бизнеса и помощи в принятии решений. Наша команда внутренних аналитиков и консультантов неустанно работает, чтобы понять ваши потребности и предложить наилучшие возможные решения для выполнения ваших исследовательских требований.

Наша команда в Reports Globe тщательно проверяет данные, что позволяет нам публиковать отчеты издателей с минимальными отклонениями или без них. Отчеты Globe ежегодно собирает, разделяет и публикует более 500 отчетов, касающихся продуктов и услуг в различных областях.

Свяжитесь с нами:

Мистер Марк Уильямс

Менеджер по работе с клиентами

США: + 1-970-672-0390

Эл. Почта: [электронная почта защищена]

Веб-сайт : Reportsglobe.com

Локальная схема усиления пространственной избирательности в гиппокампе

Cavium (Marvell Technology), Applied Micro Circuits Corporation, Huawei, IBM Corporation, ARM Holdings (SoftBank Corp.), Microsoft Corporation, HP Inc., Citrix Systems, Inc., SUSE и т. Д. – MW Creators

Исследование рынка серверов на базе ARM охватывает количественный и качественный анализ каждого вида, чтобы определить движущие причины наиболее быстрорастущего сегмента на рынке серверов на базе ARM.Конкурентный ландшафт на рынке серверов на базе ARM включает в себя подробную информацию о поставщиках, а также потенциал рынка, обзор компании, присутствие, продажи на рынке серверов на базе ARM и произведенную выручку, общий доход компании, долю рынка, цену, SWOT-анализ, производственные площадки для запуска продукта и удобства. В этом исследовании представлены данные о продажах серверов на базе ARM, доходах и рыночной доле каждого игрока. В статье сверху вниз исследуются динамика родительского рынка, макроэкономические показатели и компоненты контроля.Кроме того, в исследовании изучается субъективное влияние различных рыночных аспектов на рыночные подразделения и геологию серверов на базе ARM.

Профиль конкурентов: рынок серверов на базе ARM
Cavium (Marvell Technology)
Applied Micro Circuits Corporation
Huawei
IBM Corporation
ARM Holdings (SoftBank Corp.)
Microsoft Corporation
HP Inc.
Citrix Systems, Inc.
SUSE
Canonical Ltd
Linaro Ltd
Xilinx, Inc.
Broadcom Corporation
Dell Inc
Advanced Micro Devices, Inc
Qualcomm Incorporated

У нас есть последние обновления рынка серверов на базе ARM в образце [электронная почта защищена] https: // www.orbisresearch.com/contacts/request-sample/4757829?utm_source=PoojaB

В дополнение к этому отчет об исследовании включает высокоточные оценки CAGR, доли рынка и объема рынка в важных регионах и странах. Это исследование может помочь поставщикам раскрыть неиспользованные рынки серверов на базе ARM, чтобы расширить их охват и расширить возможности продаж. Отчет об исследовании включает профили крупных компаний / производителей, действующих на рынке. Он также обсуждает анализ производственного процесса, использование, спрос и предложение, а также структуру затрат.Отчет об исследовании содержит достоверные и проверенные данные об инвестиционных возможностях, ключевых игроках рынка, анализе конкуренции, фундаментальную отраслевую информацию, доходах, валовой прибыли, ценах, продажах, динамике рынка, значимых цифрах, долях рынка, основных стратегиях компании и ключевых географических регионах.

Раскрытие сегментации и масштабов рынка серверов на базе ARM

Анализ по типу:
по типу ядра
Ядра ARM Cortex-A
Ядра ARM Cortex-M
по операционной системе
32-разрядная операционная система / 64-разрядная операционная система

Анализ по приложениям:
ИТ и телекоммуникации
Здравоохранение
Автомобилестроение
Добыча нефти и газа
Биология / промышленная автоматизация

Просмотрите полный отчет с фактами и цифрами из отчета о рынке серверов на базе ARM на @ https: // www.orbisresearch.com/reports/index/global-arm-based-servers-market-report-2020?utm_source=PoojaB

Прогноз развития рынка на ожидаемый период был произведен после оценки всех типов и категорий приложений на основе текущих и будущих тенденций. COVID-19 (эпидемия коронавируса) нарушает многие аспекты жизни во всем мире, в то время как производители используют ряд временных решений для предотвращения воздействия вируса короны на рынок серверов на базе ARM. Ведущие участники рынка становятся свидетелями изменения спроса в результате пандемии, которая оказывает большое влияние на рыночные тенденции, предпочтения потребителей и потенциальные перспективы.

Региональное покрытие глобального рынка серверов на базе ARM
– Северная Америка (США, Канада, Мексика)
– Европа (Великобритания, Франция, Германия, Испания, Италия, Центральная и Восточная Европа, СНГ)
– Азиатско-Тихоокеанский регион (Китай, Япония, Южная Корея, АСЕАН, Индия, Остальная часть Азиатско-Тихоокеанского региона)
– Латинская Америка (Бразилия, остальная часть Лос-Анджелеса)
– Ближний Восток и Африка (Турция, GCC, остальная часть Среднего Восток)

Рынок серверов на базе ARM подразделяется на три категории: тип, регион и приложение.Рост сегмента предсказывает и прогнозирует продажи по типу и конечному использованию с точки зрения стоимости и объема. Это исследование может помочь вам построить свой бизнес, сконцентрировавшись на подходящих нишевых рынках. Исследование рынка также содержит информацию о слияниях, недавних альянсах, исследованиях и разработках и партнерских отношениях с ведущими мировыми компаниями в индустрии серверов на базе ARM. Рынок серверов на базе ARM разделен на две части: тип и приложение. Отчет об исследовании и аналитической оценке рынка серверов на базе ARM включает региональный анализ.

Содержание
Глава первая: Обзор отчета
1.1 Объем исследования
1.2 Ключевые сегменты рынка
1.3 Охваченные игроки: ранжирование по доходам от серверов на базе ARM
1.4 Анализ рынка по типам
1.4.1 Глобальные серверы на базе ARM Скорость роста размера рынка по типу: 2020 VS 2028
1.5 Рынок по приложениям
1.5.1 Доля мирового рынка серверов на базе ARM по приложениям: 2020 VS 2028
1.6 Цели исследования
1,7 Рассмотренные годы

Глава вторая: Глобальные тенденции роста по регионам
2.1 Перспективы рынка серверов на базе ARM (2015-2028 гг.)
2.2 Тенденции роста серверов на базе ARM по регионам
2.2.1 Объем рынка серверов на базе ARM по регионам: 2015 VS 2020 VS 2028
2.2.2 Исторический рынок серверов на базе ARM Доля по регионам
2.2.3 Серверы на базе ARM Прогнозируемый размер рынка по регионам (2021-2028)
2.3 Тенденции в отрасли и стратегия роста
2.3.1 Основные тенденции рынка
2.3.2 Движущие силы рынка
2.3.3 Проблемы рынка
2.3. 4 Анализ пяти сил Портера
2.3.5 Стратегия роста рынка серверов на базе ARM
2.3.6 Первичные интервью с ключевыми игроками на серверах на базе ARM (лидерами мнений)

Есть ли у вас какие-либо вопросы или особые требования? Задайте вопрос нашей отрасли [адрес электронной почты защищен] https://www.orbisresearch.com/contacts/enquiry-before-buying/4757829?utm_source=PoojaB

Глава третья: Конкуренция по ключевым игрокам
3.1 Мировые ведущие игроки серверов на базе ARM по размеру рынка
3.1.1 Мировые ведущие игроки серверов на базе ARM по доходам
3.1.2 Доля мирового рынка серверов на базе ARM по доходам по игрокам
3.1.3 Доля мирового рынка серверов на базе ARM по типу компании (Уровень 1, Уровень Глава 2: и Уровень 3)
3.2 Глобальный коэффициент концентрации рынка серверов на базе ARM
3.2. 1 Глобальный коэффициент концентрации рынка серверов на базе ARM (CRChapter Five: и HHI)
3.2.2 Десятая глава в мире: и топ-5 компаний по доходам от серверов на базе ARM в 2020 г.
3.3 Серверы на базе ARM Ключевые игроки Головной офис и территория обслуживания
3.4 Ключевые игроки Серверное решение и обслуживание на базе ARM
3.5 Дата выхода на рынок серверов на базе ARM
3.6 Слияния и поглощения, планы расширения

О нас:
Orbis Research (orbisresearch.com) – это единый помощник по всем вашим требованиям к исследованию рынка. У нас есть обширная база данных отчетов от ведущих издателей и авторов со всего мира. Мы специализируемся на предоставлении индивидуальных отчетов в соответствии с требованиями наших клиентов. У нас есть полная информация о наших издателях, а значит, мы уверены в точности отраслей и вертикалей их специализации.Это помогает нашим клиентам определить их потребности, и мы проводим для наших клиентов идеальное исследование рынка.

Свяжитесь с нами:
Гектор Костелло
Старший менеджер по работе с клиентами
4144N Central Expressway,
Suite 600, Даллас,
Техас 75204, США
Номер телефона: США: +1 (972) -362-8199 | ИНД: +91 895 659 5155

Кинематическая самовоспроизведение в реконфигурируемых организмах

Значение

Практически все организмы размножаются, выращивая, а затем отбрасывая потомство.Некоторые молекулы также реплицируются, но не в росте, а в движении: они находят и объединяют строительные блоки в самокопии. Здесь мы показываем, что кластеры клеток, если они освобождены от развивающегося организма, могут аналогичным образом находить и объединять свободные клетки в кластеры, которые выглядят и двигаются так же, как и они, и что эту способность не нужно специально развивать или вводить с помощью генетических манипуляций. Наконец, мы показываем, что искусственный интеллект может создавать кластеры, которые лучше воспроизводятся, и при этом выполнять полезную работу.Это говорит о том, что технологии будущего могут, при небольшом внешнем руководстве, стать более полезными по мере их распространения, и что жизнь таит в себе удивительное поведение прямо под поверхностью, ожидая своего раскрытия.

Abstract

Все живые системы сохраняют себя через рост в теле или на нем, за которым следует расщепление, бутонизация или рождение. Мы обнаружили, что синтетические многоклеточные сборки могут также воспроизводиться кинематически, перемещая и сжимая диссоциированные клетки в их среде в функциональные самокопии.Эта форма сохранения, ранее невидимая ни в одном организме, возникает спонтанно в течение нескольких дней, а не развивается в течение тысячелетий. Мы также показываем, как методы искусственного интеллекта могут создавать сборки, которые откладывают потерю репликационной способности и выполняют полезную работу в качестве побочного эффекта репликации. Это предполагает, что другие уникальные и полезные фенотипы могут быть быстро получены от организмов дикого типа без отбора или генной инженерии, тем самым расширяя наше понимание условий, при которых возникает репликация, фенотипической пластичности и того, как могут быть реализованы полезные репликативные машины.

Подобно другим необходимым способностям, которыми должна обладать жизнь для выживания, репликация превратилась во множество разнообразных форм: деление, почкование, фрагментация, образование спор, вегетативное размножение, партеногенез, половое размножение, гермафродитизм и вирусное размножение. Однако эти разнообразные процессы имеют общее свойство: все они связаны с ростом внутри или на теле организма. Напротив, на субклеточном уровне доминирует не связанная с ростом форма саморепликации: молекулярные машины собирают материал во внешней среде в функциональные самокопии напрямую или совместно с другими машинами.Такая кинематическая репликация никогда не наблюдалась на более высоких уровнях биологической организации, и не было известно, способны ли многоклеточные системы на это.

Несмотря на этот недостаток, организмы обладают глубокими резервуарами адаптивного потенциала на всех уровнях организации, что позволяет выполнять ручные или автоматизированные вмешательства, которые отклоняют развитие в сторону биологических форм и функций, отличных от диких (1), включая рост и поддержание независимых органов. их организма-хозяина (2⇓ – 4) или разблокирования регенеративной способности (5⇓ – 7).Дизайн, если его представить как морфологическую реконфигурацию, может репозиционировать биологические ткани или перенаправлять процессы самоорганизации на новые стабильные формы без обращения к редактированию генома или трансгенам (8). Недавняя работа показала, что отдельные генетически немодифицированные предполагаемые клетки кожи (9) и сердечной мышцы (10) при удалении из их естественной эмбриональной микросреды и повторной сборке могут организовываться в стабильные формы и поведение, не проявляемое организмом, из которого были взяты клетки. , в любой момент его естественного жизненного цикла.Мы показываем здесь, что если клетки аналогичным образом высвобождаются, сжимаются и помещаются среди других диссоциированных клеток, которые служат сырьем, они могут демонстрировать кинематическую саморепликацию, поведение, отсутствующее не только у донорского организма, но и у любого другого известного растения или животного. Более того, репликация не развивается в ответ на давление отбора, а возникает спонтанно в течение 5 дней при соответствующих начальных условиях и условиях окружающей среды.

Результаты

Плюрипотентные стволовые клетки были собраны с анимального полюса эмбрионов Xenopus laevis ( SI Приложение , рис.S1 A ), подняли в течение 24 часов в мягком солевом растворе 14 ° C. Эти иссеченные клетки, если оставить их вместе в виде шапочки животного (11) ( SI Приложение , Рис. S1, A и B ) или вернуть в контакт после диссоциации (12) ( SI Приложение , Рис. S1 C и D ), естественным образом прикрепляются и дифференцируются в сфероид эпидермиса, покрытый мерцательным эпителием (13, 14) в течение 5 дней (9) ( SI Приложение , раздел S1 и рис. 1 A ).Получающиеся в результате реконфигурируемые организмы дикого типа передвигаются с использованием мультицилиндрических клеток, присутствующих на их поверхности (которые генерируют поток за счет скоординированного биения волосоподобных выступов), и обычно следуют по спиральным траекториям в водном растворе в течение периода от 10 до 14 дней, прежде чем откладывать клетки и ухудшаются по мере того, как истощаются их запасы энергии, обеспечиваемые матерью.

Спонтанное кинематическое самовоспроизведение. ( A ) Стволовые клетки удаляются из бластулы лягушки на ранней стадии, диссоциируют и помещают в физиологический раствор, где они объединяются в сферы, содержащие ~ 3000 клеток.На внешней поверхности сфер появляются реснички через 3 дня. Когда полученный зрелый рой помещается среди ~ 60 000 диссоциированных стволовых клеток в круглую чашку диаметром 60 мм ( B ), их коллективное движение сдвигает некоторые клетки вместе в кучи ( C и D ), что, если достаточно большие (по крайней мере, 50 клеток), развиваются в потомство с ресничками ( E ), сами способные плавать, и, если им предоставлены дополнительные диссоциированные стволовые клетки ( F ), создают дополнительное потомство.Короче говоря, прародители (p) создают потомство (o), которое затем становится прародителями. Этот процесс может быть нарушен задерживанием дополнительных диссоциированных клеток. В этих наиболее известных в настоящее время условиях окружающей среды система естественным образом самовоспроизводится максимум в течение двух раундов перед остановкой. Вероятность остановки (α) или репликации (1 – α) зависит от температурного диапазона, подходящего для эмбрионов лягушки, концентрации диссоциированных клеток, количества и стохастического поведения зрелых организмов, вязкости раствора, геометрии поверхность посуды и возможность загрязнения.(Масштабные линейки, 500 мкм.)

В предыдущих исследованиях сообщалось о спонтанной агрегации искусственных частиц группами самоорганизующихся организмов дикого типа (9) и искусственного интеллекта (10), реконфигурируемых (10): частицы собирались и сжимались как побочный эффект их движения. Здесь кинематическая саморепликация была достигнута путем замены синтетических частиц на арене диссоциированными стволовыми клетками X. laevis следующим образом.

Когда 12 реконфигурируемых организмов дикого типа помещают в чашку Петри среди диссоциированных стволовых клеток (рис.1 B ), их совместное движение повторно агрегирует некоторые из диссоциированных клеток в кучи (рис. 1 C и D ). Сгруппированные клетки прикрепляются, компактны и за 5 дней развиваются в более реснитчатые сфероиды (Fig. 1 E ), также способные к самоходному движению. Затем это потомство отделяют от сфероидов-предшественников и помещают в новую чашку Петри, содержащую дополнительные диссоциированные стволовые клетки (рис. 1 F ). Там дочерние сфероиды накапливают новые груды, которые превращаются в новое поколение подвижных сфероидов (фильм S1).

В четырех из пяти независимых испытаний с использованием плотности от 25 до 150 клеток / мм ² реконфигурируемые организмы дикого типа кинематически самовоспроизводились только в одном поколении. В пятом испытании было получено два поколения. С каждым последующим поколением размер и количество потомства уменьшались до тех пор, пока потомство не становилось слишком маленьким, чтобы развиться в самодвижущиеся организмы, и репликация прекращалась.

Чтобы определить, действительно ли потомство было построено кинематикой организмов-предшественников, а не только гидродинамикой и самосборкой, диссоциированные стволовые клетки наблюдались одни без предшественников.При отсутствии организмов-предшественников ни одно потомство не самоорганизовалось при любой из протестированных концентраций стволовых клеток ( SI Приложение , рис. S2 E ).

Кинематическая самовоспроизведение.

Учитывая быструю потерю репликативной способности, реконфигурируемые организмы можно рассматривать как автономные, но частично функционирующие машины, потенциально поддающиеся усовершенствованию. Уже давно известно, что автономные машины, которые воспроизводят кинематику путем объединения исходных материалов в независимые функциональные самокопии, являются теоретически возможными (15).С тех пор кинематические репликаторы использовались для рассуждений об абиогенезе, но они также представляли инженерный интерес: если бы физические репликаторы могли быть сконструированы для выполнения полезной работы в качестве побочного эффекта репликации, и было бы обнаружено или предоставлено достаточное количество строительного материала, Репликаторы будут в совокупности способны к экспоненциальной полезности с течением времени при лишь небольших начальных инвестициях в разработку, производство и развертывание машин-прародителей. С этой целью были построены вычислительные (16⇓ – 18), механические (19) и роботизированные (20⇓⇓ – 23) саморепликаторы, но на сегодняшний день все они сделаны из искусственных материалов и спроектированы вручную.Кинематическая самовоспроизведение также может, в отличие от биологических форм воспроизводства, основанных на росте, предлагать множество вариантов автоматического улучшения из-за своей уникальной зависимости от самодвижения. Если машины-предшественники могут быть спроектированы автоматически, это может стать возможным для автоматического повышения точности репликации машин (24), увеличения или изменения служебной программы, выполняемой как побочный эффект репликации, обеспечения возможности репликации питаться большим количеством атомарных материалов (25), управления скоростью репликации. и распространять, и увеличивать количество циклов репликации, прежде чем система потеряет репликативную способность.Мы представляем здесь метод искусственного интеллекта, который действительно может продлить циклы репликации, создав форму реконфигурируемых организмов-предков.

Усиливающая кинематическая самовоспроизведение.

Определение достаточных условий для самовоспроизведения требует значительных усилий и ресурсов. Каждый раунд репликации занимает 1 неделю, и для минимизации загрязнения требуется регулярная смена среды. Таким образом, эволюционный алгоритм был разработан и объединен с физическим симулятором для поиска условий, которые могут привести к увеличению саморепликации, измеряемой как количество циклов репликации, достигнутых до остановки, в симуляторе.Форма предшественника была выбрана в качестве условия, которое необходимо варьировать, поскольку предыдущая работа продемонстрировала, что формы смоделированных организмов могут развиваться in silico для создания движения в реконфигурируемых организмах, управляемых сердечной тканью (10), или усиленной агрегации синтетических частиц с помощью реконфигурируемых организмов, управляемых ресничками. (9).

Моделирование показало, что некоторые формы тела увеличивали размер кучи и раунды репликации, в то время как другие подавляли или останавливали самовоспроизведение. Некоторые, но не все геометрические формы были лучше сфероидов.Самой производительной геометрией, обнаруженной эволюционным алгоритмом in silico и производимой in vivo, был полутор (рис. 2 A ). Когда 12 семитороидных организмов-предшественников были сконструированы и помещены на арену, заполненную плотностями от 61 до 91 диссоциированных стволовых клеток / мм ² , они показали такое же усиленное поведение скопления in vivo, наблюдаемое in silico (рис. 2 B ). Потомство, произведенное сфероидами-предшественниками (рис.2 C ), было значительно меньше, чем потомство, произведенное полутороидами-предшественниками (рис.2 D ), хотя обе группы предшественников дали потомство сфероидов. Контролируя плотность диссоциированных клеток, диаметр потомства, продуцируемого сфероидами-предшественниками, был увеличен на 149% за счет полутороидов-предшественников ( P <0,05) (фиг. 2 E ). Число раундов репликации, достигаемое сфероидами-предшественниками (среднее значение = 1,2 ± 0,4 SD, макс. 2, показано на рис.2 F ), было увеличено на 250% семитороидами-предшественниками (среднее = 3 ± 0,8 SD, макс. Из четырех показано на рис. 2 G ) ( P <0.05). Единственное испытание с использованием полутороидов, которое воспроизводило менее трех раундов, было прекращено досрочно из-за грибкового заражения. В пяти испытаниях со сфероидами-предшественниками дикого типа и в трех испытаниях с полутороидами-предшественниками, созданными ИИ, размер потомства первого поколения коррелировал с общим числом достигнутых поколений ( ρ = 0,93; P <0,001) .

Усиливающая кинематическая самовоспроизведение. Из-за поверхностного натяжения реконфигурируемые организмы естественным образом развиваются в мерцательные сфероиды, но во время развития им можно вручную придать несфероидальную морфологию, чтобы реализовать более сложные формы тела.Формы предшественников были разработаны in silico, чтобы максимизировать количество циклов самовоспроизведения перед остановкой. ( A ) Формы часто сходятся в асимметричный полутороид (C-образный; розовый) с единственным узким ртом, в котором диссоциированные клетки (зеленые) могут быть захвачены, транспортированы и агрегированы. Эта эволюционировавшая форма была изготовлена ​​и выпущена in vivo ( B ), повторяя поведение, наблюдаемое in silico ( A ). Потомство, созданное сфероидами дикого типа ( C ), было меньше, чем потомство, созданное полутороидами ( D ), независимо от размера и соотношения сторон сфероидов и различных концентраций диссоциированных клеток ( E ).Максимум из двух раундов самовоспроизведения, достигнутый сфероидами ( F ), был расширен полутороидами до максимум четырех раундов ( G ). (Масштабные линейки, 500 мкм.)

Учитывая наблюдение, что более крупные сфероиды дают больше раундов репликации, другой, более простой путь к увеличению саморепликации казался возможным: увеличение плотности диссоциированных клеток. Однако фиг. 2 E показывает, что размер потомства сфероидов не увеличивается заметно даже при утроении плотности от 50 до 150 клеток / мм ² в присутствии сферических предшественников.

Полутороидальный дизайн был найден in silico с использованием эволюционного алгоритма (рис. 3 A ). Сначала случайным образом генерируются 16 форм-предшественников. Для каждой формы девять смоделированных организмов этой формы оцениваются в смоделированной чашке Петри (рис. 3 E ). Если рой образует достаточно большие кучи, чтобы вырастить потомство, смоделированное потомство переносится в новую чашку (рис. 3 F ), и процесс продолжается (рис. 3 G ). Когда самовоспроизведение останавливается, фигуре присваивается оценка производительности, рассчитанная как количество достигнутых дочерних поколений.Более эффективные формы-предшественники копируются, видоизменяются и заменяют формы в популяции с более низкой производительностью. Каждая из вновь созданных форм предков расширяется в рой, моделируется и оценивается (Рис. 3 C ). Алгоритм завершается после того, как фиксированное количество вычислительных усилий затрачено, и извлекается форма, которая произвела наибольшее количество раундов репликации (рис. 3 D ). Всего было проведено 49 независимых испытаний по оптимизации, в результате которых было получено 49 высокоэффективных форм предшественников (рис.3 H ), которые in silico дают более крупное потомство ( P <0,0001) и большее количество циклов репликации ( P <0,0001), чем моделированные сфероиды дикого типа ( SI Приложение , рис. S6).

Развивающаяся самовоспроизведение. ( A ) Эволюционный алгоритм, начиная со случайных стаей, развивает стаи с увеличением способности к самовоспроизведению. (FG = количество дочерних поколений, достигнутых данным роем. Дробная часть означает, насколько близко рой подошел к достижению следующего раунда репликации.Наиболее успешная линия в этом эволюционном испытании произошла от сфероида, который построил груды не более 74% порогового размера, необходимого для самовоспроизведения ( B ). Потомок, состоящий из девяти гибких торов ( C ), состоял из двух членов, которые составляли одну кучу, достаточно большую для самовоспроизведения (две стрелки), которые сами по себе составляли сваи не более 51% порога. Потомок тороидного роя, рой семитори ( D ), состоял из шести членов ( E ), которые вместе выстраивали три кучки, достаточно большие, чтобы вырасти в потомство ( F ).Один из этих потомков собрал кучу, достаточно большую, чтобы вырастить потомство второго поколения ( G ). В дополнительных 48 независимых эволюционных испытаниях ( H ) были выявлены самовоспроизводящиеся рои с различными формами предков.

Условия, отличные от формы предшественника, могут быть оптимизированы для улучшения саморепликации. С этой целью алгоритм был изменен для эволюции формы местности, а не формы предков, чтобы усилить саморепликацию in silico для предшественников сфероидов дикого типа.Ландшафт был сформирован за счет включения реконфигурируемых стен, которые, будучи размещенными вдоль нижней поверхности моделируемой тарелки, ограничивают стохастическое движение организмов по более предсказуемым траекториям в заранее определенных пределах. Начиная со случайно сгенерированных ландшафтов, алгоритм развил ландшафты, которые in silico увеличили количество раундов репликации, достигаемых сфероидными предшественниками дикого типа по сравнению с их производительностью на плоской поверхности ( P <0,0001) ( SI Приложение , Рис.S7 и S8).

Алгоритм не только может усилить кинематическую самовоспроизведение в заданной среде, но также может предоставить эту возможность роям, которые иначе не смогли бы достичь ее в неблагоприятных условиях. В загроможденной среде предки дикого типа не могут двигаться достаточно, чтобы самовоспроизводиться. Однако алгоритм обнаружил формы предшественников с вентральными поверхностями, которые поднимали моделируемые организмы над беспорядком, сохраняя при этом кривизну во фронтальной плоскости, что облегчало формирование стопки и достижение самовоспроизводства ( SI Приложение , рис.S9).

В отличие от других известных форм биологического воспроизводства, кинематическая самовоспроизведение дает возможность значительно увеличивать и уменьшать размеры потомства в каждом поколении. Это наблюдалось in vivo (рис. 1 C ) и in silico ( SI Приложение , рис. S10). Это говорит о том, что в будущем рои могут автоматически создаваться, чтобы производить потомство различного размера, формы и полезного поведения, помимо простого самовоспроизведения.

Экспоненциальная полезность.

Оригинальная самовоспроизводящаяся машина фон Неймана (15) теоретически была способна создавать не только функциональную самокопию, но и другие машины как побочный эффект репликативного процесса. Если эти тангенциальные машины выполняли полезную работу, вся система была способна к экспоненциальной полезности. Пока было доступно достаточное количество сырья, требовались лишь небольшие затраты энергии и производства для создания первой репликативной машины. Чтобы оценить, могут ли представленные здесь самовоспроизводящиеся реконфигурируемые организмы иметь экспоненциальную полезность, мы создали вычислительную модель, используя известные особенности физических полутороидов, чтобы спрогнозировать их потенциальную скорость увеличения полезности.Предполагается, что машины-предшественники будут помещены в полуструктурированную среду, достаточное количество сырья будет в пределах досягаемости, а случайное действие роя будет достаточным, чтобы привести к полезной работе. С учетом этих требований была выбрана задача сборки микросхемы (рис. 4 A ). Хотя существующие системы сборки схем являются быстрыми, эффективными и надежными, ремонт на месте или сборка простой электроники во враждебных или удаленных средах в настоящее время невозможны с использованием традиционных роботов, что делает этот вариант использования достойным исследования.Моделируемая среда содержит микромасштабные источники питания (26), излучатели света (27) и отключенные гибкие клейкие провода (28) ( SI Приложение , рис. S11). Случайное действие членов роя может непреднамеренно сдвинуть провода и замкнуть цепь между источником питания и излучателем света (Рис. 4 A ), что здесь рассматривается как полезная работа. Предполагается также, что окружающая среда содержит диссоциированные стволовые клетки, так что потомство организмов может быть построено параллельно со сборкой контура. Если какое-либо потомство создается, его делят на две группы и перемещают в две новые чашки с большим количеством электронных компонентов и стволовых клеток (рис.4 B и C ). Если потомство не построено, процесс прекращается (рис. 4 D ). В этой модели полезность увеличивается квадратично со временем (рис. 4 E ).

Утилита прогнозирования. ( A ) Рой самовоспроизводящихся полутороидных организмов (серый) был помещен внутри частично замкнутой цепи (черный), содержащей два источника питания (красные точки), четыре световых излучателя (обведены X; черный, когда выключен, красный, когда включен) , и отсоединенные гибкие липкие провода (черные линии).Диссоциированные стволовые клетки (не изображены), если их поместить в кучу, развиваются в потомство (серые массы неправильной формы). Диссоциированные клетки заменяются каждые 3,5 с. После 17,5 с самовоспроизведения и построения схемы в одной чашке, предшественники отбрасываются, и все потомки первого-четвертого дочернего поколения делятся на две группы равного размера и помещаются в две новые чашки, каждая из которых содержит частично завершенный контур ( B и C ). Если построено только одно потомство, им засевается одно блюдо.Если потомство не строится, бифуркация прекращается. В результате этого процесса получается несбалансированное двоичное дерево ( D ). Красные края обозначают схемы, в которых по крайней мере один излучатель света был включен путем замыкания цепи от источника питания к излучателю света (вставка ВЫКЛ / ВКЛ). Серые края обозначают цепи, в которых не были включены излучатели света. Количество включенных огней увеличивалось со временем квадратично ( E ). Это отличается от нерепликативных роботов k , которые могут включать свет в чашках Петри k за единицу времени, в результате получается линия с наклоном k (например.g., одна рука робота могла включать все четыре источника света на своей тарелке в каждую единицу времени [пунктирная линия в E ]). При наличии достаточного времени самовоспроизводящийся рой может достичь более высокой полезности, чем нерепликативный рой, для любого произвольно большого значения k .

Сверхлинейная полезность здесь зависит от сверхлинейного увеличения количества диссоциированных стволовых клеток. Это может быть более достижимо, чем добыча искусственных материалов для небиологических репликаторов роботов, учитывая, что одна самка X.laevis может производить тысячи яиц ежедневно, причем каждый эмбрион содержит ~ 3000 клеток для диссоциации, а сам X. laevis способен воспроизводить и тем самым сверхлинейно увеличивать яйценоскость. Таким образом, реконфигурируемые организмы конструируются из возобновляемого источника материала, который требует менее инвазивных источников компонентов, чем другие существующие самодвижущиеся биологические машины (29, 30). Квадратичное увеличение полезности, предсказываемое моделью на рис. 4, может оказаться недостижимым, когда сборка и ремонт схемы на месте созреют и модель можно будет проверить эмпирически.Но до тех пор, пока компоненты достаточно малы по весу и размеру, чтобы их можно было перемещать, поддерживается приемлемый температурный диапазон, уже создано и развернуто достаточное количество компонентов, которые нетоксичны, и поддерживается самовоспроизведение, система будет производить сверхлинейное увеличение в полезности. Это можно сравнить с технологией нерепликативных роботов для той же задачи, которая потребует сверхлинейных инвестиций в конструкцию, развертывание и обслуживание роботов для реализации сверхлинейной полезности.

Обсуждение

Способность генетически немодифицированных клеток переконфигурироваться в кинематические саморепликаторы, поведение, ранее не наблюдавшееся у растений или животных, и тот факт, что эта уникальная репликативная стратегия возникает спонтанно, а не развивается путем специфического отбора, еще раз иллюстрирует развитие пластичность, доступная в биологическом дизайне (1⇓⇓⇓⇓⇓⇓ – 8). Хотя кинематическая самовоспроизведение не наблюдалось у существующих клеточных форм жизни, оно могло иметь важное значение в происхождении жизни.Гипотеза амилоидного мира (31), например, утверждает, что самособирающиеся пептиды были первой молекулярной единицей, способной к самовоспроизведению, и, таким образом, представляли бы самую раннюю стадию эволюции жизни, предшествующую даже миру РНК. В отличие от самореплицирующихся РНК, которые шаблонизируют себя во время репликативных событий, амилоидные мономеры могут образовывать семена, которые производят множество амилоидных полиморфов, давая либо большее, либо меньшее «потомство» в зависимости от доступности пептида, кинематики и термодинамических условий.Эта вариация похожа на современные прионы, где самораспространяющиеся неправильно свернутые белки способны образовывать агрегаты разного размера и полиморфизма (32). Хотя реконфигурируемые организмы не являются моделью для исследования происхождения жизни, которое стремится описать первую информационную единицу, способную к самовоспроизведению, они могут пролить свет на ее необходимые и достаточные начальные условия.

Предполагается, что традиционная машинная саморепликация требует конструктора, копировального аппарата, контроллера и схемы для описания всех трех (15).Однако в описанных здесь организмах нет четких морфологических или генетических компонентов, которые отображались бы на этих различных структурах. Концепция контроля у реконфигурируемых организмов еще более запутывается из-за отсутствия у них нервной системы и генетически модифицированного поведения. Это предполагает, что реконфигурируемые организмы могут в будущем способствовать пониманию того, как процессы самоусиления могут возникать спонтанно, по-новому и в новых формах, в абиотических, клеточных или биогибридных машинах, и как может происходить макроэволюция, если она основана на кинематике, а не на росте. на основе репликации.

Сегодня несколько глобальных проблем увеличиваются сверхлинейно по пространственной протяженности (33), интенсивности (34) и частоте (35), требуя технологических решений с соответствующими темпами распространения, адаптируемости и эффективности. Кинематическая самовоспроизведение может предоставить средства для развертывания небольшого количества биотехнологии, полезность которой быстро растет, но которая предназначена для максимального контроля (36) с помощью репликаторов, созданных искусственным интеллектом. Даже если поведение, демонстрируемое реконфигурируемыми организмами, в настоящее время является рудиментарным, как, например, показанное в прошлом (10) и этой текущей работе, методы проектирования ИИ, как было показано, способны использовать эту гибкость для преувеличения этого поведения и, возможно, в будущем их к более полезным формам.

Материалы и методы

Ручное создание реконфигурируемых организмов.

Реконфигурируемые организмы дикого типа были сконструированы вручную из клеток-предшественников эпидермиса X. laevis земноводных с использованием методов, описанных ранее (9). Вкратце, оплодотворенные яйца Xenopus культивировали в течение 24 часов при 14 ° C [стадия 10 (37) Ньивкупа и Фабера] в 0,1-кратных модифицированных кольцах Марка (MMR), pH 7,8, после чего животную шапку эмбриона удаляли с помощью хирургическим пинцетом (Dumont, 11241-30 # 4) и переносили в 1% покрытую агарозой чашку Петри, содержащую 0.75 × MMR. В этих условиях ткань заживает в течение 1 часа и превращается в мерцательный сфероид, способный к передвижению, после 4 дней инкубации при 14 ° C. Замены воды выполняли три раза в неделю, и организмы переносили в свежие чашки Петри, покрытые 1% агарозой, содержащие 0,75 × MMR и 5 нг / мкл гентамицина (ThermoFisher Scientific, 15710072), до тех пор, пока они не были готовы к экспериментальному использованию.

Для несфероидных конструкций морфология формировалась с помощью микрокаутеризации и микрохирургии ( SI Приложение , рис.S1 E – H ). Первоначальное производство этих организмов началось с использованием методов, описанных выше; однако через 24 часа при 14 ° C сфероиды были подвергнуты 3-часовому сжатию с силой 2,62 мг / мм ² . Это сжатие приводит к мягкому уплощению развивающейся ткани, создавая диск, который лучше поддается формованию, потому что он с меньшей вероятностью вращается из плоскости. После сжатия организмы культивировали еще 24 часа при 14 ° C, после чего было выполнено окончательное формование.Формование было выполнено с помощью инструмента для микро-прижигания MC-2010 с проволочными электродами 13 мкм (Protech International Inc., MC-2010, электрод для прижигания с проволочным наконечником 13-Y1) в сочетании с заточенной вручную парой хирургических пинцетов. Каждый организм был сформирован путем сначала вычитания ткани для придания грубой морфологии, а затем путем тонкой лепки для удаления любого клеточного мусора. После 1 часа заживления морфология стала стабильной на оставшуюся часть жизни организма. После формования особей перемещали в свежие чашки Петри, покрытые 1% агарозой, содержащие 0.75 × MMR и 5 нг / мкл гентамицина и культивировали до готовности для экспериментального использования.

Все виды использования на животных были одобрены Комитетом по использованию и уходу за животными и Департаментом медицины лабораторных животных Университета Тафтса в соответствии с протоколом № M2020-35.

Диссоциированные стволовые клетки.

Слои диссоциированных клеток для всех экспериментов по саморепликации получали из того же исходного материала, что и сконструированные вручную реконфигурируемые организмы: эмбрионов X. laevis 24-часового возраста (14 ° C).Подобно ручному конструированию реконфигурируемых организмов, животная шапочка каждого эмбриона была эксплантирована, а остальная ткань выброшена. Затем иссеченные ткани переносили пипеткой для переноса в свежую, покрытую 1% агарозой чашку Петри, содержащую среду для диссоциации, не содержащую кальция и магния (50,3 мМ NaCl, 0,7 мМ KCl, 9,2 мМ Na ₂ HPO ₄ , 0,9 мМ KH ₂ PO ₄ , 2,4 мМ NaHCO3, 1,0 мМ эдетиновой кислоты, pH 7,3) и оставляли на 5 мин. Пигментированный внешний слой эктодермы не разрушается в этом растворе и был осторожно отделен от нижележащих стволовых клеток хирургическим пинцетом и выброшен.Оставшиеся ткани перемешивали ручным потоком из дозатора до полной диссоциации.

Материал из 30 эмбрионов был объединен в пул клеток (организмы-предшественники сделаны из того же материала, взятого из одного эмбриона и состоят из ~ 3000 клеток), который затем был собран и перенесен в стерильную пробирку Эппендорфа, содержащую 1 мл 0,75 × MMR. Этот раствор дополнительно перемешивали с помощью ручного пипетирования вверх и вниз еще пять раз, создавая окончательную суспензию стволовых клеток.Используя чистую пипетку для переноса, этот раствор переносили в новую чашку Петри, покрытую 1% агарозой, содержащую 0,75 × MMR. Скорость и угол осаждения суспензии определяли концентрацию клеток в чашке, и эта концентрация была определена количественно путем визуализации пяти случайных областей на арене, затем подсчета и усреднения количества клеток на квадратный мм. Клеткам давали возможность осесть в течение 2 минут перед началом экспериментов по кинематической саморепликации.

Условия кинематического самовоспроизведения.

Все эксперименты были начаты с распределения суспензии стволовых клеток в покрытой 1% агарозой чашке Петри размером 60 × 15 мм, заполненной 15 мл 0,75 × MMR, как описано выше в предыдущем абзаце. Чашки помещали на платформу стереомикроскопа, оборудованного камерой с окуляром, позволяющей делать неподвижные фотографии и получать изображения в режиме замедленной съемки на протяжении всего эксперимента. Суспензиям клеток давали отстояться в течение 2 минут, после чего делали снимок центра арены для количественной оценки плотности клеток.После первоначальной установки 12 взрослых организмов были помещены в центр области среди диссоциированных клеток с помощью пипетки для переноса. Все эксперименты проводились на взрослых измененных организмах в возрасте от 5 до 6 дней при температуре 14 ° C, поскольку ранее было установлено, что эта временная точка представляет середину их жизни и обеспечивает стандартную скорость передвижения (9).

Комбинациям предшественников и диссоциированных стволовых клеток давали возможность взаимодействовать в течение ночи (общая продолжительность испытания 20 часов) при 20 ° C, и после помещения предшественников на арену чашки Петри не перемещали или не подвергали никаким манипуляциям, чтобы избежать нарушение распределения диссоциированных клеток.Освещение для визуализации также было выключено на время каждого поколения самовоспроизведения, поскольку было обнаружено, что тепло, генерируемое источником света, вызывает умеренные конвекционные токи в растворе. После завершения поколения чашки немедленно отображали под стереомикроскопом, а затем перемещали в микроскоп Nikon SMZ-1500 с подсветкой подстадий для количественной оценки размера потомства. Всю агрегированную ткань стволовых клеток, теперь уплотненную в виде отдельных сфероидов, затем пипеткой переносили в центр чашки, и размер потомства рассчитывали путем измерения диаметра каждого сфероида в чашке.

По завершении саморепликации взрослые организмы были возвращены в их исходные чашки, а их сфероидные потомки были перемещены в свежую, покрытую 1% агарозой чашку Петри, содержащую 0,75 × MMR и 5 нг / мкл гентамицина. Каждую посуду моют столько раз, сколько необходимо, чтобы удалить оставшиеся свободные стволовые клетки. Затем потомство культивировали при 14 ° C в течение 5-6 дней, чтобы проверить подвижность и жизнеспособность следующего поколения. Там, где это применимо, дальнейшие раунды репликации проходят точно так же, как и первый: 12 особей (самые крупные особи выбираются в последовательных поколениях) помещаются среди питающих клеток, им дают возможность самовоспроизводиться в течение 20 часов, а затем потомство количественно оценивается и отделяется для культивирования.

Развивающиеся рои в кремнии.

Эволюционный алгоритм (38) использовался для создания смоделированных роей с улучшенной саморепликацией и для демонстрации различных способов этого. Каждое независимое испытание начинается с собственного уникального набора из 16 изначально случайных генетически закодированных форм репликатора. Каждое кодирование оценивается, предлагая ему сгенерировать свою форму, эта форма копируется восемь раз, моделируется результирующий рой из девяти прародителей и записывается количество (если таковое имеется) саморепликации.Процесс повторяется 15 раз с каждой из оставшихся кодировок. Затем каждая из 16 кодировок копируется, модифицируется случайным образом и моделируется рой, который она генерирует. 33-я случайная кодировка добавляется к расширенной популяции, чтобы привнести генетическую новизну в популяцию, и ее рой также моделируется и оценивается. Затем кодировки оцениваются попарно: если один из них кодирует рой, более самовоспроизводящийся и эволюционно более молодой, чем тот, который кодируется другим, последнее кодирование удаляется. Таким образом, предоставление селективного преимущества более молодым стаям поддерживает разнообразие в популяции.Парные соревнования продолжаются до тех пор, пока популяция не сократится до 16 кодировок. Этот процесс случайного изменения, моделирования и выбора повторяется в течение 48 часов настенных часов на восьми NVIDIA Tesla V100.

Создание начальных роев In Silico.

Каждая форма репликатора была закодирована как генерирующая нейронная сеть (39), которая размещает воксели в некоторых положениях в пустом объеме фиксированного размера. Самая большая непрерывная совокупность выводимых сетью вокселей была принята за форму репликатора.Случайное изменение ребер или узлов в сети изменяет форму, которую она генерирует.

Моделирование репликации.

Реконфигурируемые организмы и диссоциированные стволовые клетки были смоделированы как эластичные воксели с использованием версии симулятора мягкого тела на основе вокселей (40), модифицированного для работы на высокопараллельных (основанных на GPU) вычислительных платформах ( SI Приложение , рис. S5) ). Взаимодействия между двумя вокселями моделируются как деформации балки Эйлера – Бернулли (поступательная и вращательная жесткость).Столкновения между вокселями и дном чашки Петри разрешаются пружинами Гука (поступательная жесткость). Высота водного раствора и стенки чашки Петри были смоделированы как мягкие границы, которые отталкивают вокселы, проникающие за заданные границы, с силой, противоположной квадрату проникновения ( SI Приложение , раздел S2.1). Совокупная метахрональная волновая сила, создаваемая участками ресничек, моделировалась как импульсная сила, направленная против каждого поверхностного воксела, направленная в любом направлении в горизонтальной ( x , y ) плоскости.Вертикальные ( z ) моменты и силы вокселей моделируемого организма были зафиксированы в плоскости, чтобы лучше приблизиться к поведению физических организмов, которые сохраняли постоянную дорсовентральную ориентацию. Диссоциированные стволовые клетки моделировались адгезивными синглтонами вокселей с нейтральной плавучестью, и их можно было свободно перемещать и вращать в трехмерном пространстве. Когда два адгезионных вокселя сталкиваются друг с другом, они соединяются. Уплотнение и сферификация, наблюдаемые in vivo, моделируются в смоделированных кучах стволовых клеток путем стохастического отделения вокселей вокруг поверхности стопки и приложения сил, тянущих их внутрь к центру стопки.Воксели были смоделированы со свойствами материала, настроенными вручную, чтобы обеспечить наибольший стабильный временной шаг численного интегрирования. Все остальные параметры модели были оценены из биологии в соответствии с SI Приложение , Таблица S1. В начале каждого моделирования смоделированная чашка засевается девятью предшественниками и 1262 диссоциированными стволовыми клетками. По истечении 3 секунд моделирования все предшественники и любые стопки с 108 или менее вокселями удаляются. Любые стопки с более чем 108 вокселами (зарождающееся потомство; рис.3 E ) затем дают дополнительные 0,5 с для уплотнения и сферизации. Затем пустое пространство в чашке заполняется диссоциированными стволовыми клетками. Потомство созревает путем добавления случайных сил ресничек к их поверхностным вокселям (Fig. 3 F ), после чего они моделируются в течение еще 3 с. Этот процесс продолжается до тех пор, пока не будут получены стопки, превышающие 108 вокселов (Рис. 3 G ).

Измерение самовоспроизведения In Silico.

Самовоспроизводящаяся способность роя была принята следующим образом: f = s / p + g, [1] где g, – общее количество достигнутых дочерних поколений, s – размер наибольшего свая, в вокселях, в конце периода оценки 3.5 с (16 366 временных шагов с размером шага 2,14 × 10 ⁻⁴ с), а p – это пороговое значение размера кучи, необходимое для того, чтобы куча превратилась в организм. Если s больше p , начинается новое дочернее поколение; в противном случае моделирование прекращается. Консервативный порог p = 108, две трети размера смоделированных сфероидов дикого типа, был выбран таким образом, чтобы относительно немного случайно сгенерированных форм достигали g > 0 ( SI Приложение , раздел S2.2). Такие чрезмерно консервативные оценки могут компенсировать неточности в других смоделированных параметрах.

Статистическая проверка гипотез.

Диаметр 10 крупнейших физических потомков (поколение 1), созданных организмами дикого типа в ходе пяти независимых испытаний и при различных концентрациях клеток (серые точки, рис. 2 E ), сравнивали с диаметрами потомков, созданных полутороидные организмы в трех независимых исследованиях (розовые точки, рис. 2 E ).Диаметр всех потомков нормализовали путем деления на концентрацию клеток, при которой они были построены. Такое сравнение размеров потомства является консервативным тестом, поскольку разница в объеме между двумя сферами в восемь раз больше разницы в диаметре. Тест Манна-Уитни U был выполнен с выборкой из восьми независимых измерений: среднего диаметра потомства в восьми независимых испытаниях (три испытания с полутороидами-предшественниками, пять испытаний со сфероидами-предшественниками).Нулевая гипотеза состоит в том, что средний размер потомства полутороида (нормализованный по концентрации клеток) не отличался от среднего размера потомства сфероидов дикого типа ( P = 0,037). Учитывая частоту ложных открытий (41), эта нулевая гипотеза может быть отклонена на уровне значимости 0,05 ( SI Приложение , раздел S4.1).

Организмы дикого типа дали только одно дочернее поколение в четырех из пяти независимых испытаний. Единственное испытание, в котором было получено два поколения потомства, было испытанием с самой высокой протестированной концентрацией клеток (150 клеток / мм ² ).Первое из трех независимых испытаний с использованием полутороидных организмов привело к двум дочерним поколениям при 61 клетке / мм ² , но затем было остановлено, потому что все организмы заразились грибковой инфекцией, нарушающей моторику. Во втором и третьем испытаниях с использованием семитороидов были приняты дополнительные меры предосторожности, чтобы избежать грибковых инфекций. Было получено три последовательных поколения потомства при 61 клетке / мм ² ; четыре последовательных поколения потомства были получены при 91 клетках / мм ² .Был проведен тест Манна – Уитни U . Нулевая гипотеза состоит в том, что количество поколений саморепликации, достигаемое полутороидами (2, 3 и 4 г), не превышало количество поколений, производимых сфероидами дикого типа (1, 1, 1, 1, и 2 г) ( P = 0,019). Учитывая частоту ложных открытий, нулевая гипотеза отклоняется на уровне значимости 0,05 ( SI Приложение , раздел S4.2).

Коэффициент ранговой корреляции Спирмена равен 0.9322 ( P = 0,00074) находится между количеством достигнутых поколений и совокупным размером 10 крупнейших потомков первого поколения.

Утилита прогнозирования.

К моделированию были добавлены три вида микроэлектронных компонентов, которые постоянно прилипают при столкновении: излучатели света, батареи и провод (рис. 4 A ). Каждый компонент содержит вертикально уложенные и изолированные проводники, которые сохраняют возможность соединения при поступательном и вращательном движении в плоскости ( SI Приложение , рис.S11 C – E ). В качестве побочного эффекта движения реконфигурируемые организмы будут случайным образом сдвигать вместе модули микроэлектроники, присутствующие в тарелке ( SI Приложение , раздел S5.1). Если излучатель света соединяется непрерывной цепью провода с батареей, излучатель света включается постоянно (на что указывает красный кружок X на рис. 4 и приложение SI, приложение , рис. S11).

Рой накапливает груды, которые, если они достаточно большие, развиваются в потомство, а диссоциированные клетки пополняются каждые 3.5 с. Груды ниже порогового размера удаляются, чтобы освободить место для свежих диссоциированных клеток. Поскольку нас интересует оценка полезности, а не самовоспроизведение, предшественники остаются в чашке и продолжают создавать дополнительное потомство вместе со своим бывшим потомством еще в течение четырех периодов по 3,5 секунды. Через 17,5 с времени моделирования было зарегистрировано количество излучателей света, подключенных к источнику питания, предшественники были удалены, и все потомки были извлечены. Потомки были поровну разделены на две новые смоделированные чашки Петри, каждая с новой частично завершенной схемой ( SI Приложение , раздел S5.2). Самовоспроизведение и построение схемы начинаются заново в этих двух тарелках, снова в течение 17,5 с. Это начало бинарного дерева моделирования (Рис. 4 D ), в котором каждое моделирование порождает не более двух ветвей моделирования, каждая из которых содержит половину произведенных потомков их корневого моделирования. Если через 17,5 с роем создается только одно потомство, то запускается только одна новая ветвь моделирования. Если потомки не были построены, то эта ветвь двоичного дерева моделирования завершается.

После 50 бифуркаций моделирования были включены 5 024 излучателя света. Символьная регрессия (42) использовалась для определения степени полиномиальной функции, которая лучше всего объясняет совокупное количество включенных источников света. Регрессия показала, что полезность возрастает квадратично со временем, поскольку все оценки, полученные с помощью символической регрессии, сходились к квадратичной кривой, полученной обычным методом наименьших квадратов: 2,7 x ² -43 x + 182,4, где x – это число симуляция бифуркаций ( R ² = 0.9988).

Благодарности

Мы благодарим Vermont Advanced Computing Core за предоставление высокопроизводительных вычислительных ресурсов. Это исследование было поддержано Агентством перспективных оборонных исследовательских проектов (DARPA) в соответствии с Соглашением о сотрудничестве № HR0011-180200022, программой Allen Discovery через The Paul G. Allen Frontiers Group (12171), офис вице-президента по исследованиям в университете. Вермонта, вице-проректор по исследованиям Университета Тафтса и декан факультета искусств и наук Университета Тафтса.

Сноски

• Больше новостей