RNN 循环神经网络植入体内，仅凭一张“薄片”

但这种方法还比较“被动”：必须先用设备捕捉到信号再用 AI 去分析。

而功耗低、性能高的神经拟态芯片，有望彻底改变这一方式。

就比如现在，来自德国的科学家们设计了这样一种生物相容性的芯片，通过在人体内植入一个物理人工神经网络，就可以实时、“在线”监测我们的心跳数据并直接分析出我们否有心律异常。

也就是说，在体内植入物理神经网络，即使不靠医疗手段监督（添加其他设备），也能直接检测到病理变化。

研究成果刊登在 Science Advances。

可植入体内的人工神经网络

首先，神经拟态芯片存储和计算为一体（因此没有冯?诺依曼瓶颈），靠的是更近一步的模拟生物神经网络的工作方式来解决问题。

此前英特尔和康奈尔大学就出产过这样一种芯片 Loihi，通过将动物闻到气味时的脑电活动图和电脉冲设计成算法设计到芯片上，实现了对 10 种气味 92% 准确率的识别。

本次团队设计的这个芯片因为要植入体内，普通的 AI 芯片材料在重量、体积和散热方面的限制肯定不行。

为此他们采用了生物相容性材料：有机电化学晶体管（OECT）。

这是一种新型晶体管技术，在低电压和低功耗下却保持着高灵敏度，因此具备非常优越的信号放大能力 。

再加上它可以对离子浓度变化进行响应，完全可用于生物信号监测。

材料选好了，如何在芯片上实现神经拟态，也就是如何部署物理神经网络？

根据以往的研究成果，储备池计算 （Reservoir Computing，RC）是一种不错的 brain-inspired 框架，可以部署硬件神经网络并执行片上计算（on-chip computation）。

这也主要是因为储备池计算神经网络（一种 RNN）只有输出层需要训练。

另外，软件实现的储备池计算也被证明在识别异常 EEG 或 ECG（脑/心电图）图像方面非常出色。

最终这个由有机电化学晶体管（OECT）构成的非线性树状神经网络，通过类似 OECT 的神经纤维（突起）来产生（半）随机网络作为储备池（reservoir），也就是动力系统，以便像生物神经网络的神经元一样传递信息。

△ 其中一个网络的光学显微镜图片，带有四个输入/输出通道（比例尺，100μm）

随机网络会直接与周围的电解液相互作用，通过非线性地将输入电信号映射到输出层来响应离子位移。

下图最左为采集到的电子信号，最右神经网络输出层映射的信号图。

最后，信息被收集为离子状态以进行分类分析。

辨别心律异常的准确率为 88%

研究人员在各种计算任务上测试该芯片，包括时间序列预测和分类任务。

由于它被设想的使用场景是植入体内，所以每个实验都是在磷酸盐缓冲盐水中进行的，这是是一种渗透压和离子浓度与人体相匹配的盐水溶液。

他们尝试从 MIT-BIH 数据集中对四种不同类型的心律失常（健康的心跳和三种常见的心律失常）进行分类后发现，该网络分类的准确率达到 88%（F 类的最低 85%，A 类最高 92%，正常心跳 N 类 91%，综合准确率为 88%）。

MIT-BIH 数据集是 MIT 提供的研究心律失常的数据，为国际上三个公认可作为标准心电数据库之一。

而且在这个过程中，系统消耗的功率比心脏起搏器小。