Акустический взгляд: как звуковые волны позволяют «видеть» сквозь стены

Китайские специалисты создали ультразвуковой прибор для наблюдения за движениями человека. Аппарат способен «видеть» сквозь стены, распознавать различные положения тела, а также следить за перемещениями объекта. Разработчики считают, что такая акустическая система распознавания имеет ряд преимуществ перед видеокамерами и электромагнитными радарами-детекторами.

Китайские учёные из Уханьского технологического университета создали прибор, который способен при помощи ультразвука обнаруживать человека и фиксировать положение его тела, даже если он находится за преградой вне зоны видимости. Об этом сообщается в статье, опубликованной в журнале Applied Physics Letters.

В военных и гражданских целях для обнаружения людей и наблюдения за ними часто используются радары-детекторы, которые при помощи электромагнитного излучения способны обнаруживать объекты вне зоны видимости, однако такие приборы не способны распознавать положение, в котором находится человек.

Для создания своей системы наблюдения специалисты из Китая решили использовать альтернативную среду — акустическую. Их устройство «видит», что делает человек, при помощи ультразвука.

«Возможности применения устройства будут расширяться по мере увеличения точности системы распознавания. Например, она может выполнять функции домашней медицинской сигнализации. Система способна определить, что человек упал у себя дома, и ему будет оперативно оказана помощь», — сказал разработчик акустического прибора доцент Уханьского технологического университета Синьхуа Гуо.

Прибор в виде акустической решётки оснащён 256 приёмниками и четырьмя ультразвуковыми передатчиками, которые включены в свёрточную нейросеть — самонастраиваемую систему анализа сигналов и определения объектов. Акустическая система работает на ультразвуковой частоте 40 кГц, которая позволяет игнорировать потенциальные шумовые помехи. В настоящее время она способна различать четыре статических и динамических состояния тела человека: положения стоя и сидя, а также ходьбу и падение.


Акустическая система является лучшим устройством обнаружения, чем радары-детекторы или системы видеонаблюдения, утверждают разработчики. Ультразвуковой прибор не ограничен углом обзора, для него не являются помехами слабое освещение, дым в помещении, а также не возникают проблемы с конфиденциальностью.

«В дальнейшем мы усовершенствуем систему распознавания положений человеческого тела, в том числе произвольно принимаемые позы, чтобы исключить возможные ошибки. Как известно, двигательные процессы человеческого тела довольно сложны. Люди могут по-разному передвигаться, принимать различные позы и падать. Мы планируем лучше изучить механику падения человека, чтобы достичь большей точности работы прибора», — говорит Синьхуа Гуо.

По его словам, в настоящее время разработчики исследуют возможность использования системы в различных устройствах для коммерческого и домашнего применения.

https://russian.rt.com/science/article/636000-akusticheskie-volny-sistema-raspoznavaniya

GPT-2 нейросеть от OpenAI

https://habr.com/ru/post/440564/

DesertFlow17 февраля 2019 в 00:04

GPT-2 нейросеть от OpenAI. Быстрый старт

• Машинное обучение,
• Искусственный интеллект

Не успели отшуметь новости о нейросети BERT от Google, показавшей state-of-the-art результаты на целом ряде разговорных (NLP) задач в машинном обучении, как OpenAI выкатили новую разработку: GPT-2. Это нейронная сеть с рекордным на данный момент числом параметров (1.5 млрд, против обычно используемых в таких случаях 100-300 млн) оказалась способна генерировать целые страницы связного текста.

Генерировать настолько хорошо, что в OpenAI отказались выкладывать полную версию, опасаясь что эту нейросеть будут использовать для создания фейковых новостей, комментариев и отзывов, неотличимых от настоящих.

Тем не менее, в OpenAI выложили в общий доступ уменьшенную версию нейросети GPT-2, со 117 млн параметров. Именно ее мы запустим через сервис Google Colab и поэкспериментруем с ней.

Немного предыстории

Для тех кто не следил за развитием прогресса в обработке естественной речи (NLP).

Летом 2018 года OpenAI предобучили на большом объеме текста нейронную сеть GPT, построенную на архитектуре Transformer. Оказалось, что если заменить пару последних слоев и дообучить ее под конкретную задачу (такой подход называется Fine Tuning и широко используется в машинном обучении), то это бьет предыдущие рекорды сразу по широкому спектру разговорных задач.

На основе этой разработки, в конце 2018 года в Google создали свою нейросеть BERT. Они серьезно улучшили результат, сделав нейросеть двунаправленной, в отличие от GPT.

Не желая сдаваться, в феврале 2019 года в OpenAI увеличили свою GPT сразу в 10 раз и обучили ее на еще большем объеме текста — на 8 млн интернет страницах (суммарно на 40 Гб текста). Получившаяся таким образом сеть GPT-2 является на данный момент самой большой нейросетью, с беспрецендентным числом параметров 1.5 млрд (у BERT в самой крупной модели было 340 млн, а у стандартной BERT 110 млн).

Как результат, GPT-2 оказалась способной генерировать целые страницы связного текста. С повторными упоминаниями имен действующих лиц по ходу повествования, цитатами, отсылками к связанным событиям и так далее. Примеры приводить здесь не буду, а отсылаю желающих к оригинальной статье в блоге OpenAI: Better Language Models and Their Implications или по ссылкам в конце статьи.

Генерация связного текста такого качества это само по себе впечатляюще, но самое интересное здесь другое. GPT-2 без всякого дообучения сразу показала близкие к state-of-the-art результаты на целом ряде разговорных задач. Повторяю, кто пропустил важность момента — без всякого дообучения под конретную задачу!

Как они этого добились? Просто задавая нейросети правильные вопросы.

Архитектура GPT-2

GPT-2 обучена предсказывать следующее слово в предложении. Это классический подход для генерации текста. Сначала пальму первенства в этой области держали рекуррентные (RNN) сети, в частности, LSTM. Но после изобретения летом 2017 года архитектуры Transformer, в разговорных задачах постепенно она стала преобладать. Хотя у оригинального Transformer есть проблема с запоминанием длинных последовательностей (LSTM помнят более длинные), но быстрота обучения и глубина сети с лихвой компенсировала это. Кстати, сейчас уже появился целый ряд модификаций трансформера — с введением в него рекуррентности (Universal Transformers), модификация для более длинных последовательностей (Transformer-XL) и другие, но в Google и OpenAI пока используют лишь слегка тюнингованный оригинальный Transformer.

BERT от Google, напомню, обучался немного иначе: предсказывать не следующее слово в предложении, а пропущенные (закрытые маской) слова в предложении. А также определять, являются ли два последовательных предложения логичным продолжением друг друга, или они никак не связаны между собой по смыслу. Это позволило BERT быть языковой моделью, понимающей смысл слов в зависимости от их окружения (от контекста). Что и определило успех BERT в NPL задачах. Но только после дообучения (Fine Tuning) под конкретную задачу. Просто предсказание слов в базовой модели в нем работает не очень. Можете сами поиграться с BERT в браузере (через Google Colab): https://habr.com/ru/post/436878.

GPT-2 дообучать не нужно. Это не просто языковая модель, как BERT, это генератор текста. Просто подайте ей на вход начало фразы, а дальше она дополнит ее слово за словом.

Интересная деталь: исследования OpenAI показали, что массивы текстов Wikipedia и литературных книг (на которых обучался BERT, в частности) имеют предвзятый стиль. Поэтому обученные только на них нейросети не очень хорошо генерируют текст. Чтобы разнообразить входные данные и стили, в OpenAI для обучения GPT-2 использовали обычные интернет страницы, собранные с 8 млн сайтов (суммарно 40 Гб текста). А чтобы отбросить рекламные и спамерские сайты, они включали в выборку сайты, ссылки на которые в реддите имеют хороший рейтинг. То есть сайты, которые живые пользователи сочли содержащими какую-то полезную информацию.

Правильный вопрос содержит половину ответа

Итак, GPT-2 благодаря беспрецедентному размеру, оказалась способна генерировать страницы связного текста. Но самое удивительное, что задавая ей правильный вопрос (т.е. правильное начало фразы), она смогла отвечать на различные вопросы! Просто потому что продолжение такого начала является самым естественным.

Для примера, чтобы получить ответ на вопрос "Что такое Земля?", можно подать на вход этой нейросети начало фразы: "Земля это...". И она дополнит эту фразу до конца. Потому что ответ будет естественным продолжением такого начала.

Более того, формируя правильным образом начало фразы, можно получить объяснения для разной целевой аудитории с учетом ее интеллекта, возраста и образования. Представьте себе продолжения фраз: "Я, как ученый, считаю что Земля это...". Или "Я, как плоскоземельщик, утверждаю что Земля это...". Или: "Я, будучи воспитателем в детском саду, сейчас объясню вам, дети, что Земля это...".

Как видите, формируя правильные вопросы (правильное начало фразы), можно получить ответы совершенно разного уровня и разной детализации. В некотором роде, похожее происходит и у людей. Врач должен объяснить пациенту протекание болезни так, чтобы тот понял. На уровне пациента. Если у пятилетнего ребенка спросить, почему он поступил так, то он не может сразу ответить (что и естественно, дети живут чувствами и эмоциями). Но чтобы дать ответ, который от него ждут, ребенок начинает его придумывать — генерировать текст. Исходя из того, чтобы ответ устроил родителя и чтобы хоть как-то соответствовал произошедшему. Сначала, как знают многие родители, это будут нелепые ответы. Но путем поощрения и наказания ("рассказывай подробнее", "не придумывай оправданий") ребенок научится давать развернутые и полные ответы.

Эта разработка OpenAI и способность сети GPT-2 давать ответы на разговорных задачах без специального дообучения под конкретную задачу, открывают два интересных вопроса:

1) Может ли интерпретируемость нейронных сетей быть достигнута таким элементарным генератором текста и правильным началом фразы. Где ответ будет естественным продолжением. Пусть, например, нейронная сеть указывает котиков на фотографии не числами-координатами x и y, а объясняет его положение обычным текстом. Тогда в ходе уточнения задав ей правильный вопрос, например: "Я пришла к этому выводу, потому что...", можно в теории получить объяснение как она нашла котика на фото. И это объяснение в предельном случае может быть не хуже человеческого. Что решает глобальную проблему интерпретируемости нейронных сетей.

2) Может ли предобученная нейронная сеть на больших объемах текста быть универсальной, обладать общим здравым смыслом и не требовать дообучения под конкретные задачи. Здесь имеется ввиду, что пытаясь имитировать человеческую речь (человеческие ответы на вопросы), нейросеть неизбежно должна выучиться здравому смыслу, чтобы давать эти самые похожие на человеческие ответы. Давать односложные фиктивные ответы, в целом, не характерно для людей. В большинстве своем люди дают развернутые адекватные ответы, а значит сеть должна научиться делать так же.

Оба эти вопроса остаются открытыми, но первый шаг в их утверждении определенно сделан.

А точнее?

Если вы сейчас стоите, то лучше сядьте. Потому что вот как OpenAI с помощью нейросети GPT-2 получили свои результаты в разговорных задачах для разных доменов:

Ответы на вопросы по тексту

Ну, это просто. Либо скармливали сети несколько абзацев с описанием, включающем в себя где-нибудь посередине, например "яблоко лежит на столе", а в конце приписывали: "яблоко лежит на..." и сеть дописывала "столе". Потому что способна помнить контекст нескольких абзацев.

Либо скармливали сети в качестве начальной фразы несколько примеров вида "Вопрос: какой-то вопрос, Ответ: какой-то ответ", а в конце после реального вопроса добавляли: "Ответ:". И нейросеть дописывала ответ! Так как выявила структуру документа по предыдущим Вопрос-Ответ. Это удивительно.

Краткая версия (Summarization) текста

На входе подается длинный текст из нескольких абзацев или даже страниц, а нейросеть должна написать короткое содержание. Как такое поведение получили от GPT-2? Просто после текста добавили "TL;DR". И все! Этого оказалось достаточно, чтобы после этих символов GPT-2 дописала краткое содержание статьи! Потому что такими символами в интернете часто обозначают краткое содержание поста.

Перевод текста

На вход GPT-2 подали текст в виде: "hello = привет, dog = собака, wind = ветер, cat = ...". И нейросеть дописала перевод последнего слова: "кошка" (в оригинале на французском). Потому что выявила структуру документа и просто дополнила его наиболее логичным продолжением. Если у вас до сих пор не отвисла челюсть от всего этого, то у меня для вас две новости, и обе плохие =).

Запуск GPT-2 через Google Colab

К сожалению, полную версию GPT-2 в OpenAI отказались выкладывать в общий доступ. Мотивируя это тем, что с помощью этой нейросети будет слишком просто генерировать фейковые новости и отзывы в магазинах. Судя по их заявлению, обсуждение целесообразности выкладывания этой модели будут продолжаться ближайшие 6 месяцев, в после OpenAI решат окончательно, выкладывать или нет. Впрочем, для крупной организации повторить модель не составляет труда (похоже, что они обучали ее на 256 TPU несколько дней, и по предварительным подсчетам это обошлось им около 45 тыс. $)

Однако они выложили уменьшенную версию GPT-2 со 117 млн параметрами (а не 1.5 млрд, как в полной модели): https://github.com/openai/gpt-2. Попробуем запустить ее и поиграться с этой моделью.

Проще всего это сделать через Google Colab:

1. Откройте ссылку

http://colab.research.google.com/github/blade1780/bert/blob/master/Gpt-2.ipynb

1. В меню Runtime выберите Run All, чтобы в первый раз запустились все ячейки, скачалась модель и подключились нужные библиотеки. Согласитесь сбросить все Runtime, если потребуется. Вводите текст после появления "Model prompt >>>" и нажимайте Enter.

Если что-то пошло не так...

Или создайте весь код вручную:

1. Перейдите на https://colab.research.google.com
2. Нажмите на синюю кнопку NEW PYTHON 3 NOTEBOOK
3. В меню Runtime -> Change runtime type выберите Python 3 и GPU (последнее чтобы запускать нейросеть на GPU)
4. В первой ячейке введите:

!git clone https://github.com/openai/gpt-2
%cd gpt-2
!sh download_model.sh 117M
!pip3 install -r requirements.txt

И нажмите черный значок Play слева от ячейки. Это загрузит нейросеть GPT-2 и установит необходимые зависимости.

Во второй ячейке (добавить ее можно через меню Insert -> Code cell или наведя мышь под центром текущей ячейки, всплывут кнопки добавления):

!python3 src/interactive_conditional_samples.py

Это запустит интерактивный режим. Дождитесь пока загрузится нейросеть и внизу появится окошко для ввода текста, с надписью ""Model prompt >>>". Вводите начало фразы и нажимайте Enter. Через некоторое время появится сгенерированный текст под заголовком SAMPLE.

Можно также запустить режим генерации полностью случайного текста. Текст будет генерироваться бесконечное время небольшими кусками SAMPLE 1, SAMPLE 2 и так далее, пока не нажмете кнопку Stop у ячейки. Для этого создайте новую ячейку с кодом:

!python3 src/generate_unconditional_samples.py | tee samples.txt

Результат будет сохранен в файл samples.txt. Его можно скачать следующими командами (снова создайте новую ячейку и запустите ее после генерации текста):

from google.colab import files
files.download('samples.txt')

Можно менять параметры генерации текста (коэфф. случайности и т.д., описание смотрите в оригинальной работе):

!python3 src/generate_unconditional_samples.py --top_k 40 --temperature 0.7 | tee samples.txt

Так как это сильно уменьшенная модель, то не ждите от нее чудес. Большинство генерируемых образцов будут бредом. Но попадаются и осмысленные участки. Текст должен быть на английском языке, с другими языками GPT-2 пока не умеет работать.

Примеры генерируемого текста

Образцы генерируемого полной моделью текста: https://blog.openai.com/better-language-models/#sample1 (вверху полоски переключателя на 8 историй).

Также есть огромный 2.4 Mb текстовый файл со случайно сгенерированными образцами: https://raw.githubusercontent.com/openai/gpt-2/master/gpt2-samples.txt

И еще один, 2.27 Мб, с другими настройками случайности: https://raw.githubusercontent.com/openai/gpt-2/master/gpt2-topk40-samples.txt

Ссылки

• Оригинальная статья в блоге OpenAI: Better Language Models and Their Implications
• Github с выложенной 117М моделью: https://github.com/openai/gpt-2
• Обсуждение на reddit основной новости
• Обсуждение на reddit отказа выложить полную модель: Пора OpenAI переименоваться в CloseAI
• Google Colab notebook для запуска GPT-2 (117M) в браузере

Интерфейс "Мозг-Компьютер" (BCI)

https://www.frontiersin.org/articles/10.3389/fnins.2019.00112/full 

...

Интернет представляет собой децентрализованную глобальную систему, которая служит коллективным усилиям человечества по генерированию, обработке и хранению данных, большая часть которых обрабатывается быстро расширяющимся облаком. Стабильная, безопасная система реального времени может обеспечивать взаимодействие облака с человеческим мозгом. Одна из многообещающих стратегий для создания такой системы, обозначаемая здесь как «интерфейс мозг / облако человека» («B / CI»), будет основываться на технологиях, называемых здесь «нейронанороботиками». Ожидается, что будущие технологии нейронанороботок будут способствовать точной диагностике и возможные лекарства от 400 фунтов, которые влияют на мозг человека.Нейроннанороботика может также включать B / CI с контролируемой связью между нейронной активностью и внешним хранением и обработкой данных посредством прямого мониторинга нейронов мозга ×86 × 10 9 и синапсов ×2 × 10 14 . После навигации по сосудистой сети человека три вида нейральнанороботов (эндонейроботы, глиаботы и синаптоботы) могут пересекать гематоэнцефалический барьер (ВВВ), проникать в паренхиму мозга, проникать в отдельные клетки головного мозга человека и самостоятельно располагаться в начальных сегментах аксона. нейронов (эндонейроботов), в глиальных клетках (глиаботах) и в непосредственной близости от синапсов (синаптоботов). Затем они могли бы по беспроводной связи передавать до ~ 6 × 10 16 бит в секунду синаптически обработанной и кодированной электрической информации человеческого мозга через вспомогательную нанороботическую оптоволоконную сеть (30 см 3 ) со скоростью обработки до 10 18 бит / с и обеспечивать быструю передача данных в облачный суперкомпьютер для мониторинга состояния мозга в режиме реального времени и извлечения данных. Нейроннороботически включенный человеческий B / CI может служить персонализированным каналом, позволяющим людям получить прямой, мгновенный доступ практически к любому аспекту накопленных человеческих знаний. Другие ожидаемые приложения включают в себя множество возможностей улучшить образование, интеллект, развлечения, путешествия и другие интерактивные возможности. Специализированным приложением может быть способность полностью погрузиться в опытный / сенсорный опыт, включая то, что здесь называется «прозрачное затенение» (TS). Через TS люди могут переживать эпизодические сегменты жизни других желающих участников (локально или удаленно), чтобы, мы надеемся, поощрять и вдохновлять улучшение понимания и терпимости среди всех членов человеческой семьи. 

Вступление
«У нас будут наноботы, которые… соединяют наш неокортекс с синтетическим неокортексом в облаке… Наше мышление будет….биологический и небиологический гибрид ».
- Рэй Курцвейл, TED 2014
В медицине наблюдается постоянное стремление к разработке более компактных, более способных, эффективных и экономичных устройств и систем. Основной движущей силой этого квеста является клеточный и субклеточный генез заболевания человека, при котором наноустройства могут напрямую взаимодействовать и потенциально положительно влиять на исходы заболевания или вообще предотвращать их, особенно в отношении нарушений головного мозга ( Kandel et al., 2000 , Kandel, 2001 ;Zigmond et al., 2014 ; Chaudhury et al., 2015 ; Fornito et al., 2015 ; Falk et al., 2016 ). Погоня за все более мелкими инструментами для лечения пациентов приближается к поворотному моменту в истории медицины, поскольку передовая наномедицина, в частности медицинская наноробототехника, должна стать динамичным инструментом для решения большинства заболеваний мозга человека. Цель состоит в том, чтобы, наконец, расширить возможности медицинских работников для лечения заболеваний с индивидуальным клеточным и субклеточным разрешением ( Freitas, 1998 , 1999b , 2003 , 2005a , c , 2007 , 2016 ; Morris, 2001 ; Astier et al., 2005 ; Patel et al. ., 2006 ; Park et al., 2007 ; Popov et al., 2007 ; Mallouk and Sen, 2009 ; Martel и др., 2009 ; Kostarelos, 2010 ;Mavroides and Ferreira, 2011 ; Boehm, 2013 ).
Применение нанороботов в человеческом мозге обозначается здесь как «нейронанороботика». Эта технология может позволить контролировать, записывать и даже манипулировать многими типами мозговой информации на клеточном и органеллярном уровнях ( Martins et al., 2012 ,2015 , 2016 ). Ожидается, что медицинские нейроннанороботы будут иметь возможность в режиме реального времени осуществлять неразрушающий мониторинг нейронной активности одиночных нейронов и одиночных синапсов, местного нейропептидного трафика и других соответствующих функциональных данных, а также позволят получать фундаментальную структурную информацию с поверхностей нейронов. , чтобы улучшить коннектомную карту живого человеческого мозга ( Sporns et al., 2005 ; Lu et al., 2009 ; Anderson et al., 2011 ; Kleinfeld et al., 2011 ; Seung, 2011 ; Martins et al., 2012 , 2015 , 2016 ). Предполагается, что неразрушающий нейронанороботически опосредованный мониторинг всего мозга в сочетании с возможностями восстановления отдельных клеток ( Freitas, 2007 ) предоставит мощную медицинскую возможность для эффективного лечения большинства или всех из 400 известных заболеваний мозга, включая, в частности, болезни Паркинсона. и болезнь Альцгеймера (Freitas, 2016 ), зависимость, деменция, эпилепсия и расстройства спинного мозга ( NINDS, 2017 ).
Ожидается также, что нейронанороботы расширят возможности многих немедицинских приложений, меняющих парадигму, включая значительное улучшение когнитивных функций человека, предоставляя платформу для прямого доступа к суперкомпьютерным возможностям хранения и обработки и взаимодействия с системами искусственного интеллекта. Поскольку информационные технологии последовательно улучшают свои соотношения цена-качество и функциональный дизайн с экспоненциальной скоростью, вполне вероятно, что, как только они войдут в клиническую практику или немедицинские приложения, нейронанороботические технологии могут работать параллельно с мощными системами искусственного интеллекта, суперкомпьютерами, и передовое молекулярное производство.
Кроме того, автономные наномедицинские устройства, как ожидается, будут биосовместимыми, в первую очередь, из-за их конструкционных материалов, которые позволят продлить пребывание в теле человека (Freitas, 1999a , 2002 , 2003 ). Медицинские нейронные нанобороты также могут быть изготовлены в достаточных терапевтических количествах для лечения отдельных пациентов с использованием диамондоидных материалов, так как эти материалы могут обеспечивать наибольшую прочность, устойчивость и надежность in vivo ( Freitas, 2010 ).Непрерывное международное «Нанофабричное сотрудничество», возглавляемое Робертом Фрейтасом и Ральфом Мерклом, преследует основную цель - построить первую в мире нанофабрику, которая позволит массово производить усовершенствованные автономные диамондоидные нейронананороботы как для медицинских, так и немедицинских применений ( Freitas and Merkle, 2004 , 2006 ; Freitas, 2009 , 2010 ).
Вполне возможно, что в течение следующих 20–30 лет нейронаноробототехника может быть разработана для обеспечения безопасного, надежного, мгновенного интерфейса в реальном времени между человеческим мозгом и биологическими и небиологическими вычислительными системами, расширяя возможности взаимодействия между мозгом ( BTBI), интерфейсы мозг-компьютер (BCI) и, в частности, сложные интерфейсы мозг / облако (B / CI). Такие человеческие системы B / CI могут кардинально изменить связь между человеком и машиной, что может существенно улучшить когнитивное развитие человека ( Kurzweil, 2014 ; Swan, 2016 ).
Исторически фундаментальным прорывом в отношении возможности Б / КИ было первоначальное измерение и регистрация электрической активности мозга с помощью ЭЭГ в 1924 году ( Stone and Hughes, 2013 ). В то время ЭЭГ стала историческим достижением в области неврологических и психиатрических диагностических инструментов, поскольку эта технология позволяла измерять различные заболевания головного мозга, количественно определять отклонения, вызванные различными психическими состояниями, и обнаруживать колебательные альфа-волны (8–13). Hz), так называемая «волна Бергера». Первые измерения ЭЭГ требовали введения серебряных проводов в кожу головы пациентов, которые впоследствии превратились в серебряные фольги, которые были прикреплены к голове. Эти элементарные датчики изначально были связаны с капиллярным электрометром Липпмана. Тем не менее, значительно улучшенные результаты были достигнуты благодаря использованию записывающего гальванометра Siemens с двойной катушкой, который имел электронное разрешение 0,1 мВ ( Jung and Berger, 1979 ).
Первый зарегистрированный научный пример термина «мозг-компьютерный интерфейс» датируется 1973 годом, примерно через 50 лет после первой записи ЭЭГ, когда предполагалось, что сообщаемые ЭЭГ электрические сигналы мозга могут использоваться в качестве носителей информации при обмене данными между человеком и компьютером. Это предположение предполагало, что умственные решения и реакции могут быть исследованы с помощью электроэнцефалографических флуктуаций потенциала, измеренных на коже головы человека, и что значимые явления ЭЭГ следует рассматривать как сложную структуру элементарных вейвлетов, отражающих отдельные корковые события ( Vidal, 1973 ).
В настоящее время инвазивные 1 и неинвазивные интерфейсы мозг-компьютер и неинвазивные системы связи мозг-мозг уже были экспериментально продемонстрированы и являются предметом серьезных исследований во всем мире. Как только эти существующие технологии станут зрелыми, они могут обеспечить лечение полностью парализованных пациентов, что в конечном итоге позволит восстановить движение парализованных конечностей путем передачи сигналов мозга мышцам или внешним протезным устройствам ( Birbaumer, 2006 ). Первое сообщение о прямой передаче информации между двумя человеческими мозгами без вмешательства со стороны двигательной или периферической сенсорной системы произошло в 2014 году с использованием техники связи между мозгом, называемой «гиперинтрактация» ( Grau et al., 2014 ).
Наиболее многообещающей долгосрочной технологией будущего для неразрушающих интерфейсов человек-мозг-компьютер в реальном времени и обмена данными между мозгом может быть нейронанороботология ( Martins et al., 2016 ). Neuralnanorobotics, которая представляет собой применение медицинских нанороботов к человеческому мозгу, была впервые предусмотрена Фрейтасом, который предложил использовать нанороботы для прямого мониторинга нейронного трафика в реальном времени от нейронов in vivo , а также для передачи сообщений нейронам ( Freitas, 1999b , 2003 ). Другие авторы также предполагали B / CI и предсказывали, что в будущем у людей будет доступ к синтетическому небиологическому неокортексу, который может позволить прямой B / CI. В течение следующих нескольких десятилетий нейронаноробототехника может обеспечить неразрушающий интерфейс сверхвысокого разрешения в реальном времени между человеческим мозгом и внешними вычислительными платформами, такими как «облако».
Термин «облако» относится к облачным вычислениям, парадигме информационных технологий (ИТ) и модели, обеспечивающей повсеместный доступ к общим пулам настраиваемых ресурсов (таких как компьютерные сети, серверы, хранилища, приложения и услуги), которые могут быть быстро обеспечивается с минимальными усилиями по управлению, часто через Интернет. Как для личных, так и для бизнес-приложений облако обеспечивает быстрый доступ к данным, обеспечивает избыточность и оптимизирует глобальное использование ресурсов обработки и хранения, обеспечивая доступ практически из любого места на планете. Однако основной проблемой для глобальных глобальных облачных технологий обработки информации является скорость доступа к системе или задержка. Например, текущая частота задержек при передаче туда и обратно для трансатлантических петель между Нью-Йорком и Лондоном составляет ms90 мс ( Verizon, 2014 ). Поскольку в настоящее время в мире насчитывается более 4 миллиардов пользователей Интернета, его экономическое влияние на мировую экономику становится все более значительным. Глобальный институт McKinsey оценил, что экономический эффект одних только приложений Интернета вещей (Internet of Things) к 2025 году составит от 3,9 до 11,1 триллиона долларов в год. Глобальные экономические последствия обработки информации на основе облаков в течение следующих нескольких десятилетий могут быть как минимум на порядок выше, если облачные сервисы объединяются ранее невообразимыми способами, разрушая целые отрасли ( Miraz et al., 2015 ). Опосредованный нейроннанороботиками человеческий B / CI, потенциально доступный через 20–30 лет, потребует широкополосного доступа в Интернет с чрезвычайно высокой скоростью загрузки и выгрузки по сравнению с сегодняшними показателями.
В основе своей лежит мощное и непрестанное стремление человечества исследовать и бросать вызов самому себе, улучшать свое коллективное состояние, неустанно исследуя и раздвигая границы, в то же время постоянно пытаясь преодолеть те барьеры, которые незначительно отделяют возможное от невозможного. Понятия человеческого увеличения и когнитивного улучшения несут из этих принципов.
Это стремление включает в себя непрекращающиеся поиски исследований и постоянное стремление к социальному взаимодействию и общению - оба являются катализаторами быстро растущей глобализации. Следовательно, разработка неразрушающей технологии B / CI в режиме реального времени может служить тесным, персонализированным каналом, через который люди будут иметь мгновенный доступ практически к любому аспекту накопленных человеческих знаний, а также дополнительной специализированной способности участвовать в бесчисленное множество полностью погруженных в жизнь экспериментальных и чувственных миров.
Человеческий мозг
Количественный человеческий мозг
Человеческий мозг содержит замечательную систему хранения и обработки информации, которая обладает исключительной эффективностью вычислений на объем, со средним весом 1400 г и объемом 1350 см 3 , содержащимися в «среднем» внутричерепном объеме 1700 см. 3Краткая количественная оценка компонентов и рабочих параметров мозга включает brain1,350 см 3 (∼75%) клеток мозга, ∼200 см 3 (15%) крови и до cm150 см 3 (10%) цереброспинальной жидкости ( ренгариоз и Ellenbogen, 2005 ). Сырая вычислительная мощность человеческого мозга была оценена в диапазоне от 10 13 до 10 16 операций в секунду ( Merkle, 1989 ).Информация, основанная на потенциале функционального действия человеческого мозга, оценивается как 5,52 × 10 16 бит / с ( Martins et al., 2012 ), при этом выходная мощность мозга оценивается в 15–25 Вт, а плотность мощности - 1,1–1,8 × 10 4 Вт. / м 3 при рабочей температуре 37,3 ° C ( Freitas, 1999b ).
При рассмотрении человеческого мозга на региональном уровне исключительным компонентом является неокортекс ( таблицы 1 , 2 ), который имеет высокоорганизованную нейронную архитектуру, охватывающую сенсомоторные, когнитивные и эмоциональные области (Alexander et al., 1986 ; Fuster and Bressler). 2012 ). Эта корковая структура состоит из мини-столбчатых и ламинарных расположений нейронов, которые связаны афферентными и эфферентными связями, распределенными по нескольким областям мозга ( Lorento de Nó, 1938 ;Mountcastle, 1997 ; Shepherd and Grillner, 2010 ; Opris, 2013 ; Opris et al. ., 2011 , 2013 , 2014 , 2015 ). Корковые миниколонны состоят из цепочек пирамидальных нейронов, которые окружены «завесой торможения», образованной интернейронами ( Szentágothai and Arbib, 1975 ).

ТАБЛИЦА 1 Таблица 1. Неокортикальные показатели ( Pakkenberg and Gundersen, 1997 ; Stark et al., 2007a , b ).

ТАБЛИЦА 2 Таблица 2. Перечисление нейронов и синапсов в неокортексе человека ( Tang et al., 2001 ; Sandberg and Bostrom, 2008 ; Karlsen and Pakkenberg, 2011 ).

На клеточном уровне средний мозг человека, по оценкам, содержит (86,06 ± 8,2) × 10 9 нейронов, причем 80,2% (69,03 ± 6,65 × 10 9 нейронов) находятся в мозжечке, около 19% (16,34 ± 2,17 × 10). 9 нейронов), расположенных в коре головного мозга, и только ~ 0,8% (0,69 ± 0,12 × 10 9нейронов), расположенных в остальной части мозга ( Azevedo et al., 2009 ).Мозжечок человека и кора головного мозга вместе удерживают подавляющее большинство (99,2%) нейронов головного мозга ( Azevedo et al., 2009 ). Другое приближение, основанное на объединении оценок для разных областей мозга, позволило получить аналогичное значение 94,2 ± 11,3 × 10 9 нейронов для всего мозга человека ( Martins et al., 2012 ). 
Глиальные клетки включают другой тип клеток мозга ( рис. 1 ). Среднее количество глиальных клеток в мозге человека оценивается в 84,61 ± 9,83 × 10 9 ( Herculano-Houzel, 2009 ), а популяция глиальных клеток в неокортексе оценивается в 18,2–38,6 × 10 9 ( Карлсен и Паккенберг). 2011 ).Отношение глии к нейронам, вероятно, имеет функциональную значимость ( Nedergaard et al., 2003 ) и варьируется между различными областями мозга. Хотя соотношение глиа / нейрон всего мозга составляет brain1: 1, существуют значительные различия между доменами мозга.Например, отношение глия / нейрон коры головного мозга составляет 3,72: 1 (60,84 млрд глия; 16,34 млрд нейронов), но только 0,23: 1 (16,04 млрд глия; 69,03 млрд нейронов) в мозжечке; базальные ганглии, промежуточный мозг и ствол мозга имеют общее соотношение 11,35: 1 ( Azevedo et al., 2009 ).

РИСУНОК 1 Рисунок 1. Художественное изображение нейронов (с голубыми отростками) и глиальных (белых) клеток. [Фото предоставлено Юрием Свидиненко, компания Nanobotmodels].

Кроме того, синапсы, нумерация (2,42 ± 0,29) × 10 14 в среднем мозге человека, совместно оцениваются для обработки информации с частотой всплесков (4,31 ± 0,86) × 10 15 пиков / сек, что дает возможность человеческому мозгу обрабатывать данные при (5,52 ± 1,13) × 10 16 бит / с ( Martins et al., 2012 ). Синапсы являются элементами нейронной сети, которые играют критическую роль в обработке информации в мозге, участвуя в обучении, долговременном и кратковременном хранении и удалении памяти, а также во временной обработке информации ( Black et al., 1990 ; Bliss and Collingridge, 1993 ; Kandel, 2001 ; Fuhrmann et al., 2002 ; Lee et al., 2008 ; Holtmaat and Svoboda, 2009 ; Liu et al., 2012 ). Синапсы также являются ключевыми факторами для передачи сигнала и пластичности в мозге. Правильное формирование синапсов в детстве обеспечивает субстрат для познания, тогда как неправильное формирование или функциональность приводят к нарушениям нервно-психического развития, включая умственную отсталость и аутизм ( Rollenhagen and Lübke, 2006 ; Mcallister, 2007 ; Rollenhagen et al., 2007 ).Потеря синапсов, как это происходит у пациентов с болезнью Альцгеймера, тесно связана с когнитивным снижением ( Dekosky and Scheff, 1990 ; Terry et al., 1991 ; Scheff and Price, 2006 ). 
Единицы обработки 
Структурные клеточные или субклеточные элементы человеческого мозга рассматриваются как единицы обработки информации, если они участвуют в значительных функциональных изменениях ввода / вывода в электрохимически основанных системах хранения и / или обработки данных мозга. 
В современной научной литературе существуют некоторые разногласия относительно количественного определения этого показателя «значимости». Это несоответствие привело к тому, что разные авторы рассматривали различные клеточные и субклеточные структуры как фундаментальные элементы хранилища мозга человека и его вычислительной системы, охватывающие (помимо нейронов и синапсов): дендритные деревья, аксоны, белки и даже нервные микротрубочки ( Koch et al. 1983 ; Bialek, 1993 ; Juusola et al., 1996 ; Zador, 1998 ; Manwani and Koch, 2001 ; London and Häusser, 2005 ; Ford, 2010 ). 
Оценки скорости обработки электрических данных всего мозга варьируются от 1,48 × 10 11 бит / с. до 3,2 × 10 29 бит / с ( Sandberg and Bostrom, 2008 ; Martins et al., 2012 ). Человеческий мозг может даже иметь более чем в 100 раз более высокую вычислительную мощность, чем считалось ранее, основываясь на открытии, что дендриты могут генерировать почти в 10 раз больше электрохимических всплесков, чем нейронная сома, и являются гибридами, которые обрабатывают как аналоговые, так и цифровые сигналы ( Мур и др. al., 2017 ). Это открытие может поставить под сомнение давнюю веру в то, что шипы в соме (теле нейрона) являются основными средствами, посредством которых происходят восприятие, обучение и формирование памяти. Дендриты составляют более 90% нервной ткани, поэтому знание о том, что они гораздо более активны, чем сома, в корне изменит наше понимание того, как мозг обрабатывает информацию. Поскольку объем дендритов в 100 раз больше, чем у нейронных тел, огромное количество пиковых дендритных импульсов позволяет предположить, что мозг действительно обладает значительно более высокой вычислительной мощностью, чем предполагалось ранее. 
Тем не менее, в настоящее время существует консенсус, что нейроны и синапсы составляют основные электрохимические процессоры человеческого мозга ( Gkoupidenis et al., 2017 ; Jackman and Regehr, 2017 ). 
Роли нейронов в обработке электрической информации включают в себя получение, интеграцию, генерацию и передачу информации, основанной на потенциале действия ( Кох, 1997 ; Кох и Сегев, 2000 ; Чжан, 2008 ). Тем не менее, несколько нейрональных шумовых источников влияют на надежность и точность нейрональной передачи сигналов, поэтому функции стимул-ответ иногда бывают ненадежными и не связаны с тем, что кодируется с помощью пиковой активности ( Bialek and Rieke, 1992 ). 
Другими фундаментальными единицами обработки электрохимической информации являются синапсы. Синапсы являются ключевым компонентом нейронной сети, которая обрабатывает информацию и участвует в обучении и памяти, причем измерения и морфология синапсов играют фундаментальную роль в долговременном и кратковременном хранении и удалении памяти. Синапсы также участвуют в передаче и пластичности сигнала, обеспечивая одностороннюю передачу сигналов, и участвуют во временной обработке информации, чтобы обеспечить сложное поведение системы, наряду с действием по замедлению электрических сигналов ( Puro et al., 1977 ; Black et al. , 1990 ; Bliss and Collingridge, 1993 ; Kandel, 2001 ; Rollenhagen and Lübke, 2006 ; Rollenhagen et al., 2007 ; IBM, 2008 ; Lee et al., 2008 ; Holtmaat and Svoboda, 2009 ). Роль синапсов как процессорных единиц человеческого мозга подкрепляется результатами компьютерного моделирования, которые указывают на то, что вычислительная мощность сети увеличивается с помощью динамических синапсов. Это говорит о том, что эмуляция биологических синапсов является предпосылкой для развития вычислительных систем, подобных мозгам ( Maass and Zador, 1999 ; Fuhrmann et al., 2002 ; Kuzum et al., 2012 ). Недавно разработанный искусственный синапс со сверхнизким энергопотреблением для нейронных вычислений продемонстрировал способность обеспечивать 500 различных состояний ( Van de Burgt et al., 2017 ). 
Мониторинг в реальном времени всего человеческого мозга (путем размещения нейронанороботов внутри каждого нейрона и близлежащих синаптических соединений для записи / передачи данных из локализованного нейрона и образования синапсов) может предоставить избыточные данные, которые могут быть использованы при разработке протоколов валидации. 
Облако 
Из-за огромного объема используемых данных передача данных в мозг человека и из облака и обратно может, вероятно, потребовать использования суперкомпьютеров с алгоритмами искусственного интеллекта. Современные суперкомпьютеры на основе архитектуры фон Неймана с огромным количеством процессоров либо централизованы (состоят из большого числа выделенных процессоров), либо распределены (на основе большого количества дискретных компьютеров, распределенных по сети, такой как Интернет). 
Одна оценка максимальной вычислительной скорости, необходимой для обработки электрических данных в человеческом мозге, составляет 5,52 × 10 16 бит / с ( Martins et al., 2012 ). Некоторые централизованные и распределенные суперкомпьютеры имеют скорость обработки, значительно превышающую эту оценку ( Martins et al., 2012 ). По состоянию на ноябрь 2018 года самым быстрым суперкомпьютером в мире был Summit, разработанный в Национальной лаборатории США в Ок-Ридже (штат Теннесси), с 122,3 петафлопс в тесте High Performance Linpack (HPL). Однако эта вычислительная модель может быть сомнительной, так как компьютеры основаны на архитектуре фон Неймана, а мозговые схемы - нет; и мозг работает в параллельной манере, а компьютеры - нет ( Нагараджан и Стивенс, 2008 ; Уитворт и Рю, 2008 ). 
Интернет состоит из децентрализованной глобальной системы, основанной на компьютерах и суперкомпьютерах на основе архитектуры фон Неймана, используемых для передачи данных между устройствами обработки и хранения. Глобальная емкость хранилищ интернет-центров обработки данных в 2018 году составила 1450 эксабайт ( Statistica, 2018 ).Ван ден Бош и др. (2016) подсчитали, что емкость Всемирной паутины удваивается каждые 3 года, а ее вычислительные возможности удваиваются каждые 1,5 года. 
Однако, как только данные о мозге будут взаимодействовать с суперкомпьютерами практически в реальном времени, соединение с суперкомпьютерами в облаке станет окончательным узким местом между облаком и человеческим мозгом ( Knapp, 2013 ). Эта проблема включает, в частности, узкое место в полосе пропускания, необходимой для передачи данных по всему миру. Согласно одному исследованию, «Глобальный интернет-трафик в 2021 году будет эквивалентен 127-кратному объему всего глобального Интернета в 2005 году. Во всем мире интернет-трафик достигнет 30 ГБ на душу населения к 20 ГБ по сравнению с 10 ГБ на душу населения в 2016 году» ( Cisco, 2017 ). Эта скорость заставляет инновации справляться с ограничениями пропускной способности. Обычные оптоволоконные кабели передают триллионы бит / с между массивными центрами обработки данных. По состоянию на октябрь 2018 года средняя пиковая скорость соединения с Интернетом составляла 189,33 Мбит / с в Сингапуре и 100,07 Мбит / с в Соединенных Штатах ( Kemp, 2018 ). В настоящее время ведется ряд коммерческих усилий по увеличению скорости Интернета, в том числе недавно построенный волоконно-оптический кабель стоимостью 300 миллионов долларов между Орегоном, Японией и Тайванем. В 2016 году большая часть мирового интернет-трафика передавалась по подводным волоконно-оптическим кабелям; по оценкам, принадлежащий MAREA Facebook / Microsoft кабель длиной 60000 км переносил данные со скоростью 160 Тб / с через Атлантический океан ( Hecht, 2016 ). Современные коммерческие сети 4G обеспечивают скорость широкополосного доступа до 100 Мбит / с. Однако операторы Соединенных Штатов заявили, что планируют внедрить технологию 5G в 2020 году, которая в конечном итоге «обеспечит скорость вашего телефона около 10 гигабит в секунду. Это более чем в 600 раз быстрее, чем обычные скорости 4G современных мобильных телефонов, и в 10 раз быстрее, чем стандартная услуга домашнего широкополосного доступа Google Fiber »( Finley, 2018 ). 
Потенциал современных технологий на пути к интерфейсу мозг / облако 
Наночастицы, нанотрубки и нанодоты 
Одной из перспективных краткосрочных технологий, которые могут обеспечить взаимодействие с нейронными сетями на основе мозга, являются магнитоэлектрические наночастицы, которые можно использовать для усиления связи между внешними магнитными полями и локализованными электрическими полями, которые исходят от нейронных сетей ( Yue et al., 2012 ; Guduru и др., 2015 ).Магнитоэлектрические наночастицы могут также побуждать наночастицы преодолевать гематоэнцефалический барьер (BBB) ​​путем применения градиента магнитного поля постоянного тока к своду черепа.Магнитоэлектрические наночастицы уже использовались для контроля внутренних полей глубоко внутри мозга мыши и позволили связать внешние магнитные поля с нейронными электрическими полями.Ожидается, что стратегия, разработанная для доставки наночастиц в периневрональную среду, обеспечит средства для доступа и в конечном итоге стимулирует отдельные популяции нейронов ( Freitas, 1999b ). 
Доставка наночастиц в мозг человека действительно будет представлять серьезную проблему. Для внутривенной инъекции, по крайней мере, 90% наночастиц, как было обнаружено, секвестрируются в тканях и органах до попадания в мозг ( Calvo et al., 2001 ), поэтому внутриартериальные инъекции могут быть более надежными. Направление наночастиц в выбранные области мозга также может быть достигнуто с помощью внешних магнитных полей ( Li et al., 2018 ). Поскольку было показано, что определенные индивидуальные наночастицы могут повредить дофаминергические и серотонинергические системы, потребуется дальнейший подробный анализ биораспределения и метаболизма наночастиц. Кроме того, риск инфицирования, воспалительных реакций, потенциальной иммуногенности, цитотоксичности и онкогенности должен быть эффективно устранен до применения наночастиц in vivo у людей ( Cupaioli et al., 2014 ). 
Использование электростимуляции на основе углеродных нанотрубок в глубине мозга было предложено в качестве нового метода лечения пациентов с болезнью Паркинсона и другими нарушениями ЦНС ( Srikanth and Kessler, 2012 ). Эта стратегия использует однонаправленную электрическую стимуляцию, которая является более точной и позволяет избежать хирургических рисков, связанных с глубокой вставкой макроэлектрода, используемых с современными методами глубокой стимуляции мозга ( Mayberg et al., 2005 ; Taghva et al., 2013 ), в которых используются длинные стереотаксически размещенные четырехполюсные макроэлектроды через череп. Электростимуляция на основе углеродных нанотрубок, предназначенная для использования в качестве компонента системы B / CI, также потребует двустороннего информационного пути при однонейронном разрешении для нейронной электрохимической записи информации. 
Флуоресцирующие углеродные нанодоты (синтезированные с использованием D- глюкозы и L- аспарагиновой кислоты) с одинаковыми диаметрами 2,28 ± 0,42 нм были использованы для нацеливания и визуализации клеток глиомы C6 в мозге мыши. Превосходная биосовместимость, настраиваемая полноцветная эмиссия и способность свободно проникать через ВВВ могут сделать флуоресцирующие углеродные наноточки подходящими кандидатами в качестве агентов мечения для облегчения внедрения наномедицинских технологий B / CI ( Zheng et al., 2015 ). Однако флуоресцирующие углеродные нанодоты могут быть проблематичными, поскольку пересечение BBB является сложным процессом для ∼98% всех малых молекул ( Pardridge, 2005 ; Grabrucker et al., 2016 ). Это в первую очередь связано с тем, что ВВВ образует динамический, регулируемый кровью и мозгом, строгий физический, транспортный, метаболический и иммунологический барьер, в то время как он проницаем для O 2 и CO 2 и других газообразных молекул, а также воды и других веществ. жирорастворимые вещества ( Serlin et al., 2015 ), барьер очень ограничивает большие молекулы. Тем не менее, небольшие пептиды могут пересекать BBB либо с помощью неспецифического жидкофазного эндоцитоза, либо с помощью рецептор-опосредованного трансцитоза (RMT). 
Оптические нанотехнологии, включая методы оптической визуализации, продемонстрировали ценное применение на клеточном уровне. Например, фуллерены с квантовыми точками использовались для измерений потенциала клеточных мембран in vitro и in vivo ( Nag et al., 2017 ). 
Вводимый «Нейронное кружево» 
Недавно предложенная технология потенциальной интеграции нейронных сетей и вычислительных систем мозга на микроуровне называется «нейронным кружевом». Это позволит внедрить минимально инвазивную трехмерную сетчатую наноэлектронику посредством инъекции шприца в живую ткань мозга, чтобы обеспечить постоянный мониторинг и стимуляция отдельных нейронов и нейронных сетей. Эта концепция основана на ультрагибкой сетчатой ​​наноэлектронике, которая позволяет взаимодействовать с неплоскими топографиями. Экспериментальные результаты были получены при использовании инжекции и развертывания наноэлектроники из макропористой сетки толщиной в субмикрометр, толщиной в сантиметр, через иглы диаметром до 100 мкм, которые вводили в полости с выходом устройства> 90% ( Liu et al. , 2015 ).Одним из других потенциальных применений сетчатой ​​наноэлектроники с инъекцией шприца является мультиплексированная запись нейронной сети in vivo . 
Нейронное взаимодействие между входом и выходом по принципу « включай и работай» также было достигнуто с помощью платиновых электродов и полевых транзисторов с кремниевой нанопроволкой, которые демонстрировали низкое сопротивление межфазного контакта ∼3 Ом ( Schuhmann et al., 2017 ). Дай и соавт. (2018) также продемонстрировали «стабильную интеграцию ячеистой наноэлектроники в ткани головного мозга по меньшей мере на 1 год без признаков хронического иммунного ответа или глиальных рубцов, характерных для обычных имплантатов». Эта группа также показала, что активность отдельных нейронов и локализованных нервных цепей может контролироваться и стимулироваться в течение восьмимесячного или более времени для таких применений, как регистрация изменений в активности определенных нейронов по мере старения мозга ( Dai et al., 2018 ). 
Нейронная пыль 
Будущие технологии B / CI человека могут предпочтительно потребовать длительной самоимплантации in vivoнейронные интерфейсные системы, характеристика, которая отсутствует в большинстве современных технологий ИМТ. Это означает, что проект системы должен сбалансировать размер, мощность и параметры полосы пропускания нейронных систем записи. В недавнем предложении, поддерживающем двунаправленную связь, было исследовано использование КМОП-схем с низким энергопотреблением в сочетании с ультразвуковой доставкой питания и обратной связью для мониторинга локализованных групп нейронов ( Seo et al., 2013). Цель состояла в том, чтобы обеспечить масштабируемость количества нейронных записей мозга, одновременно обеспечивая путь к более длительному ИМТ. В настоящее время в этой технологии используются тысячи независимых свободно плавающих сенсорных узлов масштаба 10–100 мкм, называемых «нейронной пылью». Эти узлы обнаруживают и передают локальные внеклеточные электрофизиологические данные, в то же время используя субкраниальный запросчик, который устанавливает силовые и коммуникационные линии с каждым из нейронные пылевые элементы. Передача мощности осуществляется ультразвуком, чтобы обеспечить низкоэффективные (7%, 11,6 дБ) линии связи, что дает ~ 500 мкВт принимаемой мощности (> 10 7 выше, чем у ЭМ-передачи ~ 40 пВт, доступной в масштабе аналогичного размера) с 1 мм. 2 запросчик, который может в конечном итоге обеспечить μ10 мкм чувствительных узлов.
Интерфейс мозг-машина (ИМТ) В 
настоящее время технология интерфейса мозг-машина используется через инвазивные нейронные интерфейсы, состоящие из массивов нейронных датчиков микрочипов, которые содержат множество электродов, которые могут обнаруживать многоклеточные сигналы. Они доступны для нескольких областей мозга (например, зрительной коры, нейропротезирования моторной коры, гиппокампа и др.) ( Berger et al., 2005 ; BrainGate, 2009 ). 
В настоящее время существует два разных типа систем ИМТ. Один тип определяет нейронную активность одного мозга и однонаправленно контролирует внешнее устройство ( Лебедев, 2014 ), в то время как другой тип (сенсорный ИМТ) включает сенсорную обратную связь от устройства к мозгу ( O'Doherty et al., 2011).). Неинвазивные стратегии нейронного интерфейса ИМТ включают использование ЭЭГ, магнитоэнцефалографии (МЭГ), фМРТ ( Miyawaki et al., 2008 ) и оптических стратегий, включая fNIRS ( Naseer and Hong, 2015 ). Одна 8-канальная платформа для захвата сигналов ЭЭГ, построенная на основе аналоговой интерфейсной интегральной схемы ADS1299 от Texas Instruments, вскоре может быть распечатана дома, что демократизирует технологии извлечения мозговых данных с низким разрешением ( OpenBCI, 2019 ).
Ожидается, что нейрофотоника, интегрированная с протезированием, которая соединяет искусственные конечности и периферические нервы с помощью двусторонней волоконно-оптической связи, чтобы дать возможность чувствовать давление или температуру, должна обеспечить высокоскоростную связь между мозгом и искусственными конечностями. Предполагается, что нейронанороботы оптимизируют интерфейсы, используя передовые чувствительные к прикосновениям конечности, которые передают сенсорную информацию в режиме реального времени пациентам с ампутацией через прямой интерфейс с мозгом ( Tabot et al., 2013 ). 
На клеточном уровне предпринимаются попытки достичь прямого соединения между отдельными нервными клетками и кремниевыми микроструктурами. Нейрон-кремниевые соединения формировались спонтанно с использованием нервных клеток головного мозга млекопитающих, что позволяло напрямую стимулировать нервные клетки (Фромхерз и Стетт, 1995 ; Оффенхауссер, 1996 ; Вассанелли и Фромхерц, 1997 ; Schätzthauer and Fromherz, 1998 ). В настоящее время устройства наноэлектроники, использующие углеродные нанотрубки и кремниевые нанопроволоки, могут обнаруживать и идентифицировать биомолекулярные химические выделения нейронов и их биоэлектрическую активность ( Veliev, 2016 ). Массив нанопроволочных транзисторов может обнаруживать, стимулировать или ингибировать нервные импульсы и их распространение вдоль отдельных нейритов ( Freitas, 1999b ; Zeck and Fromherz, 2001 ; Patolsky et al., 2006). Чтобы продемонстрировать экспериментальную малоинвазивную цитозольную запись нейронных потенциалов действия, нанотранзисторное устройство было размещено на конце изогнутой кремниевой нанопроволоки для внутриклеточной регистрации потенциалов действия ( Tian et al., 2010 ; Duan et al., 2011 ). Вертикально расположенные массивы золотых нанопроволок использовались для стимуляции и обнаружения электрической активности на наноразмерном уровне из одновременных местоположений внутри нейронов ( Saha et al., 2008 ). Массивы высокоплотных полевых транзисторов на основе нанопроволоки позволили отображать сигналы на субклеточном уровне - функциональность, которая невозможна с обычными микроструктурными устройствами ( Timko et al., 2010 ).
В принципе, нейронаноробототехника может дать почти оптимальную BCI с долгосрочной биосовместимостью за счет включения кремниевых, платиновых, иридиевых, полиэфиримидных золотых проволок, покрытых пептидом стеклоуглеродных штырьков, углеродных нанотрубок, электродов на полимерной основе, нитрида кремния, диоксида кремния из нержавеющей стали или нихрома ( Niparko et al., 1989a , b ; Edell et al., 1992; Yuen и Agnew, 1995 ; Huber et al., 1998 ; Malmstrom et al., 1998 ; Decharms et al., 1999 ; Normann et al., 1999 ; Mattson et al., 2000 ; Kristensen et al., 2001; Parak et al., 2001 ;Фрейтас, 2003 ). Нейронные электроды могут быть имплантированы без какого-либо обнаруживаемого повреждения, кроме начальной травмы и краткого фагоцитоза, которые обычно ограничены краями пути введения электрода ( Babb and Kupfer, 1984 ) ( Freitas, 2003 ). Несколько типов нейронных электродов в настоящее время используются для взаимодействия с мозгом через кохлеарные имплантаты в массивах электродов scala tympani, а также в потенциальных слуховых протезах ЦНС, имплантатах сетчатки на основе полупроводников, размещенных в субретинальном пространстве, микроэлектродных матрицах зрительной коры и другие нервные имплантаты, предназначенные для мобилизации параплегиков, диафрагмальной кардиостимуляции или сердечной помощи ( Haggerty and Lusted, 1989 ;Niparko et al., 1989a , b ; Lefurge et al., 1991 ; Бертон и др., 1996 ; Heiduschka and Thanos, 1998 ; Гюнтер и др., 1999 ; Normann et al., 1999 ; Peachey and Chow, 1999 ; Kohler et al., 2001 ; Mayr et al., 2001 ; Pardue et al., 2001 ; Shoham et al., 2001 ; Фрейтас, 2003 ; Mannoor et al., 2013 ). Каждый из этих электродов взаимодействует с очень маленькими и специфическими областями мозга и всегда ограничен областями поверхности сильно локализованных доменов.
Ранние предложения «нейронной пыли» по обеспечению доступа BCI к определенным областям человеческого мозга (например, неокортексу) имели несколько присущих им ограничений ( Seo et al., 2013 ). Наоборот, технологии нейроннанороботики могут обладать подходящим масштабом для оптимального включения BCI, демонстрируя подходящую подвижность, будучи минимально инвазивными, вызывая незначительное локализованное повреждение ткани и обладая надежными возможностями мониторинга по отдельным информационным каналам без необходимости обычной хирургической имплантации.
Нейроннанороботики также могут быть массово распределены, тогда как вводимые хирургическим путем нейронные имплантаты должны быть расположены в одном или нескольких определенных местах. Эти недостатки свидетельствуют о том, что нейронанороботика может быть предпочтительным решением для сложных задач, стоящих перед развитием технологий B / CI. 
Интерфейс мозг-мозг 
BTBI включает в себя побуждение двух разных мозгов напрямую взаимодействовать друг с другом ( Pais-Vieira et al., 2015 ). Системы BTBI были первоначально реализованы на людях ( Рисунок 2 ) с использованием неинвазивных записей и стимуляции мозга. Информация была перенесена из сенсомоторной коры одного участника (записано с помощью ЭЭГ) в зрительную ( Grau et al., 2014 ) или моторную ( Rao et al., 2014) ) кора второго участника (доставляется через транскраниальную магнитную стимуляцию или TMS).

РИСУНОК 2 Рисунок 2. Интерфейс мозг-мозг (BTBI) для передачи информации между людьми. Субъект излучателя показан слева, где сенсомоторная активность коры регистрировалась с помощью электродов ЭЭГ. Эмиттер выполнил бинарную моторную задачу на основе изображений: изображение ног (значение бита 0) и изображение рук (значение бита 1). Тема получателя показана справа. Катушка TMS была расположена по-разному над зрительной корой для значений 1 и 0 битов и вызывала или не вызывала фосфены (вспышки света), соответственно. Интернет-связь была использована для этой связи между мозгом. Изображение воспроизведено с Grau et al. (2014) .

Ряд BTBI с участием различных видов был также недавно продемонстрирован, например, путем связывания мозга человека со спинным мозгом анестезированной крысы ( Yoo et al., 2013 ). В другом примере межвидовой BTBI человеческий мозг управлял движениями шипящего таракана на Мадагаскаре по S-образной дорожке, контролируя антенны таракана с помощью электрической стимуляции ( Li and Zhang, 2016 ). Мозг человека также был связан с клеточными культурами, экспериментально демонстрируя, что активность мозга может контролировать экспрессию генов, используя ИМТ на основе ЭЭГ для запуска оптогенетической стимуляции дизайнерских клеток, тем самым опосредуя их генетическую экспрессию ( Folcher et al., 2014 ). 
Brainet Systems
Особенно интригующее применение технологий BTBI, называемых «Brainets», включает в себя взаимодействие и обработку нейронных сигналов, записанных от нескольких мозгов, для обеспечения обмена информацией между взаимосвязанными мозгами ( Pais-Vieira et al., 2015 ) для выполнения совместных задач ( Рамакришнан и др., 2015 ). Несмотря на то, что еще не особенно сложные, недавно продемонстрированные системы Брейн уже предоставили несколько интересных идей, включая проверку потенциальной прямой связи между мозгом двух крыс, расположенных на разных континентах, после того, как крысам постоянно имплантировали микроэлектроды в сенсомоторной коре ( Pais Vieira et al., 2013 ).
В ходе экспериментов были протестированы три разные системы контроля с использованием 2-3 обезьян, которым были переданы ИМТ-опосредованный контроль над виртуальной рукой ( Ramakrishnan et al., 2015 ). Первый тип совместного управления, использующий два объекта, объединял записанные нейронные сигналы для перемещения виртуальной руки на экране компьютера. Извлеченные данные мозга суммировались и наблюдались для улучшения производительности с использованием шумоподавления. В другой системе участвовали две обезьяны с разделенными вкладами. Первая обезьяна контролировала X- координату виртуальной руки, тогда как вторая обезьяна контролировала Yкоордината. Общая производительность задачи была улучшена, так как каждая обезьяна допускала меньше ошибок. (Интересно, что каждый мозг обезьяны адаптировался и меньше реагировал на другие координаты). Третий эксперимент включал трех животных, которые вместе управляли и контролировали виртуальную руку в трех измерениях. Поскольку обезьяны не знали, что их последняя задача была трехмерной (учитывая, что у каждой обезьяны было двумерное изображение), этот Брэйнт мог бы рассматриваться как элементарный «супер-мозг», где вклад отдельных участников приводил к более высокому уровню. операции заказа, которые не могли быть выполнены каждым человеком в одиночку. Несколько кооперативных схем ИМТ также были реализованы на людях - например, совместная навигация космического корабля ( Poli et al., 2013), совместное принятие решений ( Eckstein et al., 2012 ; Yuan et al., 2013 ; Poli et al., 2014 ) и планирование движения ( Wang and Jung, 2011 ). 
Система Брейнета с четырьмя мозгами была названа «органическим компьютером» для имитации простых компьютерных операций, таких как удержание ввода информации, в буфере памяти, состоящем из четырех последовательно соединенных мозгов крысы ( Pais-Vieira et al., 2015). Эта экспериментальная система Брейн всегда превосходила производительность вычислений с одним мозгом, особенно для задач распознавания, в которых четыре мозга «голосовали», чтобы получить ответ. Это представляло собой интересное продвижение к потенциальному возможному появлению очень сложных операций в системах с огромным количеством участников Brainet. 
Недавно была разработана система BTBI, состоящая из трех человек, называемая «BrainNet», которая позволила трем человеческим субъектам совместно решить задачу, используя неинвазивную прямую связь между мозгом ( Jiang et al., 2018). Подобно системе BTBI с двумя людьми, интерфейс системы BTBI с тремя людьми использовал ЭЭГ для записи сигналов мозга от «Отправителей» и TMS для неинвазивной доставки информации в мозг «Получателя». Сигналы мозга двух Отправителей были декодированы с использованием анализа данных ЭЭГ в реальном времени, извлекая их решения вращать или не вращать блок в игре, подобной тетрису. Затем эти решения были загружены в облако, а затем загружены и применены к мозгу приемника посредством магнитной стимуляции затылочной коры. Как только эта информация была получена, Получатель, который не мог видеть игровой экран, интегрировал информацию и решил повернуть или не вращать блок. Эксперимент был повторен с пятью группами со средней точностью 0,813.Такая высокая надежность поддерживает дальнейшие исследования, направленные на улучшение систем BTBI для нескольких человек, которые позволяют совместно решать будущие проблемы, связанные с несколькими людьми.
Исходя из текущих элементарных реализаций Brainet, пока не ясно, можно ли использовать более сложные системы Brainet для высокопроизводительной передачи информации между отдельными мозгами, хотя ожидается повышение производительности Brainet с более продвинутыми операциями Brainet. С дальнейшим прогрессом в этой области, количество каналов передачи информации может увеличиться вместе с количеством субъектов, участвующих в каждой системе Брейн. Особенно интересным было бы применение клинически релевантных Brainets, которые связывают пациентов с терапевтами или здоровых с нездоровыми людьми. 
Ограниченные перспективы современных технологий
Современные технологические траектории, по-видимому, сходятся к созданию систем, которые будут способны расширять возможности B / CI человека. Однако, поскольку человеческий мозг обладает клеточными (нейронными) и субклеточными (синапсовыми) обрабатывающими элементами, любая технология, которая способна установить долгосрочный и неразрушающий интерфейс человека в реальном времени с облаком, должна воплощать в себе следующие возможности : (1) мобильность сверхвысокого разрешения, (2) автономная или полуавтономная деятельность, (3) неинтрузивный (в идеале, физиологически незаметный) вход / выход в / из тела человека и (4) предоставление достаточной и надежной информации пропускная способность передачи для взаимодействия с внешними суперкомпьютерными системами. Современные методы, будь то в современных или экстраполированных будущих формах,кажутся немасштабируемыми и неспособными выполнить все требования временного или пространственного разрешения, необходимые для полноценного полнофункционального B / CI человека.
Neuralnanorobotic Brain / Cloud интерфейс 
Neuralnanorobotics , как ожидается , обеспечить неразрушающий, в режиме реального времени, безопасный, долговременный и практически автономно в естественных условиях системы , которая может реализовать первый функциональный человеческий B / CI ( Martins и др., 2012 , 2015 , 2016 ). Нейроннанороботы могут отслеживать соответствующие функциональные и структурные данные коннектома, обработку электрической информации на основе потенциала функционального действия, которая происходит в синапсах и нейронах, и структурные изменения синапсов и нейронов, связанные с обработкой таких функциональных данных на основе электролитов ( Seung, 2011). Мониторинг внутриклеточного структурного и функционального коннома может быть осуществлен тремя классами нейроннанороботов, представленных здесь как эндоневроботы, синаптоботы и глиаботы ( Martins et al., 2016 ). Они также представляют собой неинтрузивную, самоустанавливающуюся in vivo вспомогательную высокоскоростную нановолоконно-оптическую сеть, которая была описана в другом месте ( Freitas, 1999b ). 
В частности, эндонейроботы являются автономными нейроннороботами-резидентами, которые взаимодействуют со всеми all86 × 10 9.нейроны человеческого мозга в АИС для непосредственного мониторинга и взаимодействия с электрически обработанной информацией, основанной на потенциале действия. Синаптоботы - это автономные нейронанороботы-резиденты нейронов, которые могут использовать несколько гибких наносенсоров, установленных на ножке, для взаимодействия с каждым из ×2 × 10 14синапсы человеческого мозга для непосредственного мониторинга и взаимодействия с синаптически обработанной и хранимой информацией. Глиаботы являются резидентными глией автономными нейроннанороботами, которые наделены способностью контролировать глиальные клетки человека и мозга и могут в дальнейшем служить вспомогательными инфраструктурными элементами системы. Последующие итерации исходной высокоскоростной нановолоконно-оптической сети могут также включать беспроводные передатчики (встроенные на периферии человеческого мозга или внутри черепа), сконфигурированные как равномерно распределенная сеть, которая может обеспечивать беспроводное соединение с нейронами, аксонами, и синапсы для приема / передачи данных из / в облако.
Чтобы создать безопасную, надежную и высокопроизводительную систему B / CI, критически важным требованием является первоначальное установление тесных и стабильных соединений для контроля электрических схем стрельбы и сигналов нейронов ∼86 × 10 9 и ×2 × 10. 14синапсов человеческого мозга с подходящей частотой повторения (400–800 Гц - это максимальный диапазон, о котором сообщается) ( Wilson, 1999; Contreras, 2004 ). Сами нейронанороботы и / или другие специализированные устройства наномедицинского картирования, такие как предполагаемое сосудисто-картографическое сканирующее наноустройство (VCSN) ( Domschke and Boehm, 2017) может изначально создать карту коннектома человеческого мозга со сверхвысоким разрешением. Это позволило бы получать и хранить подробные структурные и функциональные коннектомические данные для каждого уникального отдельного мозга и позволять сообщать о конкретных пространственных координатах различных классов нейронов, а также об их типичном поведении электрофизиологического образца всплеска (то есть регулярного всплеска, взрыва, или быстрый всплеск) ( Seung, 2011 ).
Для целей B / CI может быть достаточно взаимодействия с нейронной и синаптически обработанной электрической мозговой активностью, основанной на потенциале действия (без мониторинга химической информации), для обеспечения надежных систем B / CI человека. Например, одно недавнее исследование показало, что квантовые точки могут функционировать как чувствительные к напряжению зонды для визуализации в реальном времени клеточного мембранного потенциала в нейронах ( Nag et al., 2017 ). Оптический опрос отдельных клеток и органелл с пространственным разрешением ~ 100 нм может быть реализован благодаря использованию эндоскопов на основе углеродных нанотрубок, которые исходят от нанороботов B / CI ( Singhal et al., 2011 ). 
Здесь синаптически обработанная информация, основанная на потенциале действия, рассматривается как фундаментальная информация (Fuhrmann et al., 2002 ; Шепард, 2003 ; Эбботт и Регер, 2004 ). Синаптоботы будут обнаруживать практически все синаптически обработанные потенциалы действия и их сигналы и сообщать синаптически обработанные пики в систему обработки данных. Следовательно, нейронанороботы будут помогать в прогнозировании всплесков нейротрансмиттеров, которые проходят через каждый синаптический разрыв. Все эти данные будут непрерывно обрабатываться с разрешением менее миллисекунды, обеспечивая виртуальный поток данных между человеческим мозгом и облаком. 
Эндонейроботы и Глиаботы 
Нейроннанороботы могут быть введены через кожу, после чего они будут перемещаться по сосудистой сети и привязываться к эндотелиальным клеткам ГЭБ. А 10 мкм 3Объем эндонейроботов ( рис. 3 ) впоследствии будет выходить из кровотока, проходить через ГЭБ методами, которые были тщательно изучены в других местах ( Freitas, 2016 ), попадать в паренхиму головного мозга и начинать перемещаться в пределах нейропиля. Впоследствии они будут проникать в соматические клетки нейронов и позиционировать себя внутриклеточно в пределах AIS ( Martins et al., 2016 ). Точно так же объем глиаботов 10 мкм 3 ( рисунок 4) будет выходить из кровотока, попадать в их соответствующие глиальные клетки и позиционировать себя внутриклеточно в наиболее подходящей внутриглиальной области, которая может варьироваться. Синаптоботы также попадают в организм человека через кровоток, пересекают ГЭБ (возможно, с помощью вспомогательных транспортных нанороботов), входят в паренхиму головного мозга, начинают навигацию в нейропиле, входят в соматические клетки нейронов и затем переходят внутриклеточно в пресинаптическую систему или постсинаптическая структура синапса.

РИСУНОК 3 Рис. 3. Художественное изображение эндонейробота (слева) с изображением диамондоидов (справа) . Канавки и отверстия могут способствовать движению внутри нейронов. Выдвижные усики могут выступать из ряда этих отверстий для обеспечения стабильной фиксации и точного позиционирования после закрепления. [Изображения предоставлены: (слева) Фрэнком Бёмом - Nanoapps Medical, Inc. и (справа)Юрием Свидиненко - компанией Nanobotmodels Company]. (Эти концептуальные иллюстрации буквально не представляют фактический дизайн эндонейроботов для нейроннанороботов).

РИСУНОК 4 Рисунок 4. Художественные представления глиаботов, которые могли бы самостоятельно мигрировать в глиальные клетки и позиционировать себя внутриклеточно в наиболее подходящих интраглиальных областях для выполнения поддерживающих операций B / CI. [Изображения предоставлены: (A) Фрэнк Бём - Nanoapps Medical, Inc. (B) Джулия Уокер, кафедра химической инженерии, Университет Монаш]. (Эти концептуальные иллюстрации не отражают фактический дизайн глиаботов для нейронных наноборотов).

Синаптоботы будут находиться в надлежащем положении мониторинга внутри нейронов, в непосредственной близости от пресинаптических или постсинаптических структур. Оказавшись на месте, эти нейронанороботы будут контролировать потенциалы действия и структурные изменения, инициированные функциональными данными на основе потенциала действия. Эти данные будут передаваться от синаптоботов к соответствующим эндонейроботам (в некоторых случаях при связи и другой поддержке со стороны соседних глиаботов). Как только данные получены эндонейроботами, они переходят к ранее установленным in vivoвысокоскоростная нановолоконно-оптическая сеть для последующей передачи в центральные блоки, отвечающие за передачу данных на внешний суперкомпьютер. Вспомогательная нановолоконно-оптическая сетевая система обеспечит существенную поддержку данных, которые передаются эндонейроботами и синаптоботами, тем самым сводя к минимуму их требования к емкости хранения данных на борту. Внешний суперкомпьютер будет связываться с облаком и обрабатывать постобработку данных. 
Оптимальная стратегия проникновения для всех видов нейроннанороботов может использовать самый быстрый путь к мозгу человека через сосудистую сеть. Инъекция нейронанороботов в сосудистую сеть будет осуществляться в клинической среде под наблюдением медицинского персонала. 2 . После инъекции, neuralnanorobots будет иметь доступ к плотным микрососудам мозга человека, который состоит из примерно ~ 100 млрд капилляров, с общей площадью поверхности ~ 20 м2 и общей длиной ~ 400 миль. Межкапиллярные расстояния в головном мозге обычно составляют около 40 мкм. Следовательно, каждый отдельный нейрон в мозге человека находится на расстоянии не более 2-3 нейронов от микрокапилляра ( Pardridge, 2011 ).
Церебральная микрососудистая сеть защищена BBB, которая включает эндотелиальные клетки, которые плотно прилегают к плотным соединениям. В совокупности они образуют защитный барьер для человеческого мозга, который естественным образом пересекается с помощью небольших молекул и липофильных препаратов. Нейроннанороботы могут пройти BBB с помощью методов, которые были подробно рассмотрены в других местах ( Freitas, 2016 ). Например, было исследовано потенциальное поглощение наночастиц (~ 100 нм) через ВВВ из сосудистой сети, охватывающее многочисленные стратегии, включая пассивную диффузию, временное разрушение плотных соединений, опосредованный рецепторами эндоцитоз, трансцитоз и ингибирование оттока р- гликопротеиновых насосов ( Kreuter, 2004 ; Lockman et al., 2004; Агарвал и др., 2009 ; Ху и Гао, 2010 ). Поскольку ВВВ состоит из эндотелия церебральных капилляров, эпителия сосудистого сплетения и арахноидальных мембран ( Talegaonkar and Mishra, 2004 ), он представляет собой один из наиболее непроницаемых путей проникновения для наномедицинских устройств (100 нм – 1 мкм) благодаря наличие плотных стыков. 
Как только нейроннанороботы распределены по всей микроциркуляторному руслу мозга, они могут вначале обнаружить любые естественно присутствующие, случайно расположенные BBB соединительные щели или дефекты различных размеров ( Freitas, 2003 ). BBB не является идеальным барьером, и сообщалось о перифункциональных промежутках 0,5 мкм ( Stewart et al., 1987 ;Фрейзер и Даллас, 1993 ). Хотя существуют различные стратегии для прохождения наночастиц через BBB ( Freitas, 2003 , 2016 ; Grabrucker et al., 2016 ), потребуется дальнейшее углубленное исследование для точного количественного определения населения, размеров и распределения встречающихся в природе перифункциональных разрывов по всей сети BBB. Это потребуется, если мы рассмотрим прохождение через ВВВ как наиболее подходящий метод проникновения для некоторых нейроннанороботов B / CI.
Нейроннанороботы B / CI могут использовать процесс, сродни «диапедезу» (перемещению лейкоцитов из системы кровообращения к месту повреждения ткани или инфекции) для прохождения BBB. Как описано Мюллером, диапедез является многоэтапной процедурой, посредством которой клетки лейкоцитов пересекают границы эндотелиальных клеток внутри кровотока амебоидным способом для доступа к местам воспаления в тканях. У людей передача лейкоцитов через межфазные соединения между плотными, латерально наложенными (толщиной ≤0,5 мкм) эндотелиальными клетками включает ряд последовательных шагов, включая организованную активность молекул на самих эндотелиальных клетках и внутри них. Кроме того, двойные роли, которые должны играть эндотелиальные клетки, включают облегчение прохождения (le7–10 мкм в диаметре) лейкоцитов,поддерживая плотное наложение уплотнений на передних и задних кромках этих «пассажиров», поскольку они перемещаются через соединение, чтобы предотвратить утечку плазмы в интерстициальную область (Boehm, 2013 ; Мюллер, 2013 ). Кроме того, возможно, что определенный класс способствующих нейроннанороботов B / CI с растяжимыми / телескопическими усиками может проецировать свои наноскопические придатки через меньшие наноразмерные перифункциональные промежутки для связи с теми нейроннанороботами, которые находятся на противоположной стороне BBB, в самом неокортексе, или другие соответствующие структуры мозга ( Stewart et al., 1987 ; Fraser и Dallas, 1993 ; Freitas, 2003 , 2016 ; Schrlau et al., 2008 ; Orynbayeva et al., 2012 ; Boehm, 2013 ).
Если нейроннанороботы обнаружат большие разрывы BBB, они могут быть использованы для проникновения внутрь нейропиля. Тем не менее, в случаях, когда полностью отсутствуют большие разрывы соединения BBB, разработанные для миссии стратегии, включая комбинацию цитопроникновения, цитолокомоции и гистонатации, вероятно, позволят получить доступ к нейропилю ( Freitas, 1999b , 2003 , 2016 ). BBB также может быть открыт с использованием внутривенного маннита (старый метод) и ультразвука, доставляемого извне ( Samiotaki et al., 2017 ; Wang et al., 2017 ). Кроме того, «вещества могут пересекать ГЭБ путем пассивной диффузии, транспорта, опосредованного носителем, транспорта, опосредованного рецептором, и адсорбционного трансцитоза» (Grabrucker et al., 2016 ).
По прибытии к назначенным нейронам, эндонейроботы автоматически локализуются и оседают на своих контрольных позициях, тесно, но ненавязчиво. Поскольку потенциалы действия могут быть инициированы в разных субклеточных компартментах, эндонейроботы будут привязаны к AIS (наиболее вероятное место для инициации потенциалов действия), где они будут контролировать большинство потенциалов действия. С некоторыми типами нейронов потенциалы действия могут быть инициированы в первых узлах Ранвье или аксонов бугорка. Два синаптобота, размещенные в этих местах, обеспечат правильное обнаружение формы всех потенциалов действия. Например, сайт инициации потенциала действия в пирамидальных нейронах 5-го кортикального слоя находится на расстоянии ~ 35 мкм от бугорка аксона (в AIS). Для других классов нейронов потенциал действия может быть инициирован в первых узлах Ранвье,который для слоя 5 пирамидальных нейронов составляет ∼90 мкм от аксона бугорка. Первый миелиновый процесс составляет ~ 40 мкм от сомы, тогда как длина первого миелинового процесса составляет ~ 50 мкм (Палмер и Стюарт, 2006 ). 
Все три типа нейроннанороботов (эндонейроботов, глиаботов и синаптоботов) будут отслеживать электрическую информацию, основанную на потенциале действия, используя те же типы наносенсоров на основе FET, встроенных в их поверхности ( Martins et al., 2015 ). Для мониторинга структурных изменений нейронов (некоторые из них вызваны обработкой потенциалов действия), после того как они надежно закреплены на внутренней поверхности мембраны нейрона (с «типичными» нейронами, имеющими «объем 14000 мкм 3 или (∼24 мкм») ) 3 ), эндонейроботы и синаптоботы могут использовать тактильный сканирующий зонд, чтобы отобразить площадь поверхности окружающей мембраны (1,4 мкм) 2 в течение ± 2 с при ± 1 нм 2разрешение (скорость наконечника ~ 1 мм / с) или разрешение от 50 до ~ 0,2 нм (то есть атомное) (скорость наконечника ~ 0,2 мм / с), при условии, что скорость сканирования составляет 10 6 пикселей / с »( Freitas, 1999b ). Со своей стороны, глиаботы будут использовать ту же стратегию зондирования. 
Синаптоботы 
Синаптоботы ( рис. 5 ), самые миниатюрные (0,5 мкм 3 ) из трех типов нейральных нанороботов, отвечают за мониторинг синапсов, которые являются соответствующими субклеточными структурами человеческого мозга. Синапсы (из 5–25% электрического или 75–95% химического разнообразия ( DeFelipe и Fariñas, 1992 ) являются ключевыми компонентами нейронной сети, которая обрабатывает информацию. Они играют важную роль в обработке информации в мозге (IBM, 2008 ) и участвуют в обучении и памяти ( Black et al., 1990 ; Bliss and Collingridge, 1993 ; Holtmaat and Svoboda, 2009 ; Liu et al., 2012 ), долговременном и кратковременном хранении и удалении памяти ( Kandel, 2001 ; Lee et al., 2008 ) и обработка временной информации ( Fuhrmann et al., 2002 ). Они также являются ключевыми элементами для передачи сигнала и пластичности в мозге человека ( Rollenhagen and Lübke, 2006 ; Rollenhagen et al., 2007). Синапсы настолько важны, что правильное образование синапсов в детстве обеспечивает субстрат для познания, тогда как неправильное образование или сбой могут привести к нарушениям развития нервной системы, включая различные когнитивные нарушения и аутизм ( Mcallister, 2007 ). Потеря синапсов, как это происходит у пациентов с болезнью Альцгеймера, тесно связана с когнитивным снижением ( Dekosky and Scheff, 1990 ; Terry et al., 1991 ; Scheff and Price, 2006 ). Ожидается, что мониторинг синапсов будет иметь важное значение для стабильного и надежного полнофункционального B / CI в реальном времени.

РИСУНОК 5 Рис. 5. Художественные изображения синаптобота (слева) с изображением диамондоидов (справа) и калибровкой по аксону (ниже) . Колеблющиеся пьезо «плавники» в сочетании с центральным яйцевидным отверстием могут обеспечить проточную тягу. В одной конфигурации сверхчувствительные растяжимые / убирающиеся наносенсорные манжеты могут внешне окружать синаптические промежутки для мониторинга трафика нейротрансмиттера. [Изображения предоставлены: (слева) Фрэнком Бёмом, Nanoapps Medical, Inc. и (справа и снизу) Юрием Свидиненко, компанией Nanobotmodels. (Эти концептуальные иллюстрации не представляют действительный дизайн синаптоботов для нейронных наноборотов)].

Синаптоботы будут доставляться через микроциркуляторное русло мозга, чтобы избежать навигации на большие расстояния в паренхиме головного мозга. Вспомогательные транспортные нанороботы, имеющие объем ≥20 мкм 3 (.23,2 мкм × 2,5 мкм × 2,5 мкм), могут каждый транспортировать грузы 24 синаптоботов (всего ∼12 мкм 3 ) через систему кровообращения в нейронную сому. «Полный набор синаптоботов будет транспортироваться парком из tr1 триллиона вспомогательных транспортных нанороботов, которые выполняют round10 круговых поездок для завершения введения всех синаптоботов» в направлении внедрения нейроннанороботической системы до активации B / CI система. Отдельные нейроны, в среднем, получили бы ∼117 таких отправлений для среднего общего распределения 2800 синаптоботов (≈2.42 × 10 14синапсы (86 × 10 9 нейронов), которые назначают по одному нанороботу на синапс ( Martins et al., 2012 ). 
Протокол для регулярного обновления числа синаптоботов в мозге (из-за повреждения нанороботов, уничтожения синапсов, гибели нейронов, образования новых синапсов и т. Д.) Будет инициирован эндоневроботами, которые передадут синаптические требования внешнему суперкомпьютеру. Около 1 триллиона вспомогательных транспортных нанороботов может быть достаточно для обеспечения рабочей нагрузки динамической настройки физического развертывания синаптоботов. Вспомогательные транспортные нанороботы (~ 2,5 мкм) будут придерживаться аналогичного протокола транзита для пересечения ВВВ и прохождения нейропиля, как эндонейроботы и глиаботы, которые имеют сопоставимый размер (~ 2,2 мкм).
По прибытии к нейронам вспомогательные транспортные нанороботы высвобождают свой груз из 24 синаптоботов в цитоплазму каждого нейрона. После развертывания каждый синаптобот либо оставался бы внутри нейронной сомы, либо перемещался (используя свою бортовую систему локомоции) от нейронной сомы вдоль аксона или дендрита в пресинаптические или постсинаптические структуры - места, в которых должен происходить синаптический мониторинг. Чтобы идентифицировать и дифференцировать пресинаптические и постсинаптические структуры синапсов, синаптоботы должны первоначально отображать (изнутри клетки) поверхности аксона (для аксо-аксонических, аксосоматических и аксодендритных синапсов), нейронную сому (для сомато- аксонные, соматосоматические или сомато-дендритные синапсы) и дендриты (для дендро-соматических, дендроаксонических и дендро-дендритных синапсов) ( Harris, 1999). 
Синаптоботы будут обладать независимой двигательной системой для перемещения вдоль аксонов и дендритов в обоих направлениях, а также могут использовать существующие биологические нейрональные аксонные или дендритные транспортные системы. Процесс локомоции может быть биомиметически вдохновлен стратегиями митохондриальной локомоции в нейронах человека, чтобы минимизировать любое физиологическое повреждение нейронных процессов. В качестве альтернативы, колеблющиеся пьезо «плавники» могут работать в сочетании с яйцевидным отверстием, чтобы обеспечить проточную тягу для синаптоботов ( рис. 5 ). Ожидаемая линейная плотность развертывания синаптоботов будет составлять ~ 0,5 синаптоботов / длина мкм аксонных или дендритных процессов, а объемная плотность размещения развертывания будет ~ 0,5 синаптоботов / мкм 3аксонных или дендритных процессов. Для соблюдения требований биосовместимости могут потребоваться максимальные скорости синаптоботов ∼1 мкм / с, учитывая, что двунаправленные движения митохондрий в аксонах и дендритах имеют скорость 0,32–0,91 мкм / с ( Morris and Hollenbeck, 1995 ; Macaskill et al. ., 2009 ), с подвижностью митохондрий в нетрансгенных (NTG) нейронах сообщалось как 0,93 ± 0,55 мкм / с для антероградного движения и 0,97 ± 0,63 мкм / с для ретроградного движения ( Trushina et al., 2012 ).
После надежного размещения на контрольных позициях в непосредственной близости от пресинаптических или постсинаптических структур, основной задачей синаптобота будет мониторинг точного времени и интенсивности информации о потенциале электрического воздействия, поступающей в синапсы, и регулярный мониторинг связанных изменений, которые происходят в ключевых структурных элементах. элементы синапса. С одним синаптоботом, расположенным рядом с каждым синапсом в мозге человека, данные о потенциале действия могут быть получены с использованием нейроэлектрических наносенсоров на основе FET с длиной волны ~ 3375 нм 3 ( Martins et al., 2015 ), что позволяет осуществлять мониторинг синаптически обработанных 4.31 × 10 15шипы / сек. Сбор данных будет иметь временное разрешение не менее 0,1 мс, что достаточно для характеристики формы сигнала, даже при максимальной частоте возбуждения нейронов человека 800 Гц. При поддержке и опосредовании эндоневроботов и глиаботов роботы-синаптоботы впоследствии будут передавать 5,52 × 10 16 бит / с данных о потенциале непрерывного действия ( Martins et al., 2012 ) через систему нановолоконно-оптических сетей in vivo , как описано выше ( Freitas, 1999b). ).
Протоколы для применения B / CI должны включать регулярное структурное сканирование коннектома человек-мозг. Синаптоботы, наряду с эндонейроботами и глиаботами, могут картировать и контролировать соответствующие нейрональные и синаптические структурные изменения с использованием наносенсорных датчиков тактильного сканирования ( Freitas, 1999b) со специальными наконечниками для сканирования, которые позволяют измерять объем и форму синаптического бутона, а также другие соответствующие синаптические структурные характеристики. Этот процесс структурного сканирования может включать в себя отображение основных ультраструктурных компонентов химического синапса (независимо от того, находится ли он в пресинаптическом терминале аксона, синаптической щели или постсинаптическом терминале), постсинаптической плотности (PSD), активной зоне (AZ), синаптической везикулы (например, везикулы с покрытием, везикулы с плотным ядром и везикулы с двойными стенками), эндоплазматический ретикулум, митохондрии и adhaerens (PA).
При изучении синаптических структурных изменений, нейральные нанороботы также могут обнаруживать индуцированные изменения посредством мониторинга синаптической пластичности и перекрестных помех, включая долговременную синаптическую потенциацию (LTP), долговременную депрессию (LTD), краткосрочную пластичность, метапластичность и гомеостатическую пластичность. Например, полагают, что зависящая от активности модификация белков PSD, происходящая в течение промежутков времени от секунд до часов, лежит в основе процессов пластичности, таких как LTP и LTD ( Sheng and Hoogenraad, 2007 ). Долгосрочные изменения в структуре и составе PSD (от часов до дней) связаны с измененным синтезом белка либо внутри тела нейрональных клеток, либо в дендритах ( Sheng and Hoogenraad, 2007 ). Деградация белков PSD через систему убиквитин-протеасома (Bingol and Schuman, 2006 ) также создает структуру PSD и играет основную роль в синаптической пластичности. Примечательно, что последние данные указывают на быстрый обмен PSD-белками, такими как AMPARS и PSD-95, даже между соседними синапсами в стационарных условиях ( Sheng and Hoogenraad, 2007 ). 
Нейроннанороботический мониторинг PSD является необходимым требованием. PSD представляет собой сложную молекулярную машину, которая динамически изменяет свою структуру и состав в ответ на синаптическую активность. PSD динамически регулирует свои компоненты посредством фосфорилирования белка, пальмитоилирования, локальной трансляции белка, системы убиквитин-протеасома для деградации белка и перераспределения специфических белков (например, CaMKIIα, AMPAR), как входящих, так и выходящих из PSD (Ким и Ко, 2006 ; Sheng and Hoogenraad, 2007 ). Сигнальные пути организованы белками PSD для координации синаптических структурных и функциональных изменений. Эти белки также регулируют доставку и рециркуляцию глутаматных рецепторов (которые определяют синаптическую силу и пластичность), способствуют образованию и созреванию возбуждающих синапсов путем совместной агрегации с молекулами адгезии постсинаптических клеток, организуют нейротрансмиттерные рецепторы в синаптической щели, служат сигнальный аппарат. Эти белки также являются важным компонентом экстраординарной синаптической передачи сигналов и регуляторной сборки. «Типичный» PSD состоит из дискообразной структуры со средним диаметром 300–400 нм (диапазон 200–800 нм), толщиной 30–60 нм ( Baude et al., 1993 ;Рач и др., 2004 ; Окабе, 2007 ; Sheng and Hoogenraad, 2007 ), объем ~ 7,5 × 10 6 нм 3 и масса ~ 1,1 ГДа ( Chen et al., 2005 ). 
События, связанные со структурными изменениями LTP и LTD в дендритных позвоночниках, могут изменить количество, размер, форму и субклеточный состав позвоночника как у незрелых, так и у зрелых позвоночников ( Bourne and Harris, 2008).). Дендритная шейка позвоночника служит диффузионным барьером (контролируемым нейрональной активностью) для протекания тока и диффузии молекул между головкой позвоночника и дендритом. Геометрия позвоночника шеи определяет скорость оттока кальция в дендритной вала и , следовательно, степень повышения концентрации кальция в головке позвоночника, после п метил- D -аспартата рецептора (NMDA - ) активации ( Bloodgood и Сабатини, 2005 ; Альварес и Сабатини, 2007 ; Шэн и Хоогенраад, 2007 ). В экспериментальной работе увеличился объем дендритных шипов, получавших индукцию ЛТБ, с 50 до 200% ( Alvarez and Sabatini, 2007), причем это увеличение сохраняется в течение более 1 ч после стимуляции ( Alvarez and Sabatini, 2007 ). Устойчивое увеличение головы в дендритных шипиках индуцируется LTP вследствие полимеризации F-actin. LTD вызывает интернализацию рецептора α-амино-3-гидрокси-5-метил-4-изоксазолпропионовой кислоты (AMPA) с удлинением позвоночника и / или сужением головок позвоночника вследствие деполимеризации актина ( Bourne and Harris, 2008 ).
Существует четкая и сильная связь между размером / формой бутона синапса и органеллярными и макромолекулярными изменениями, происходящими внутри бутона. Это обеспечивает некоторый уровень избыточности информации и предполагает, что мониторинг всех дендритных органелл позвоночника и молекулярных компонентов, вероятно, не требуется. После сканирования общего объема и формы позвоночника синаптоботы могут получить много полезной информации. Ожидается, что такая избыточность информации значительно уменьшит задачи мониторинга synaptobot. 
Вспомогательная нановолоконно-оптическая система ( рис. 6 ) в сочетании с поддержкой передачи данных endoneurobot и gliabot, вероятно, послужит минимизации требований к хранению данных на борту для синаптоботов. Встроенный синаптоботный нанокомпьютер может проявляться как .010,01 мкмУстройство с 3 процессорами и скоростью обработки ∼100 мегфлопс. Общий внутренний объем встроенных вычислений synaptobot может составлять 0,11 мкм 3 для удовлетворения требований к избыточности. Такое распределение объема аналогично другим конструкциям нанороботов со сравнимой степенью сложности дизайна миссии ( Freitas, 2005b ).

РИСУНОК 6 Рисунок 6. Художественные изображения беспроводного наноразмерного передатчика (слева) и в его ромбовидной форме (справа) , которые могут соединяться, образуя равномерно распределенную ячеистую сеть, после самостоятельного внедрения на периферии мозга, внутри или внутри череп. [Изображение предоставлено: (слева) Фрэнк Бём - Nanoapps Medical, Inc .; (справа) Юрий Свидиненко - Компания наноботмоделей. (Эти концептуальные иллюстрации не представляют фактическую конструкцию нейронных наноборотов беспроводного наноразмерного передатчика)].

Передача данных между нейроннанороботами и облаком 
Данные из трех типов нейроннанороботов будут отбираться в режиме реального времени, исходя из релевантности для конкретного использования (такого как слуховой или визуальный контент). Данные также будут связаны с другими выбранными и связанными сетевыми действиями, возможно, с нейронами в префронтальной коре и с нейронами смешанной селективности, которые, как было обнаружено, кодируют распределенную информацию, связанную с аспектами, относящимися к задаче ( Rigotti et al., 2013 ) , Основные цели проектирования: снижение задержки, накопления тепла, размера устройства и мощности для электроники; и компромиссы для обработки и задержки между встроенными / носимыми / переносными устройствами, локальной обработкой и облаком.
Одним из ключевых технологических достижений в снижении задержек станет мобильная связь 5G, ожидаемая в 2020 году ( AT & T Business, 2018). 5G обещает предоставить мобильным пользователям новый способ восприятия VR и AR, например, через облако без артефактов задержки. «Чтобы получить представление о масштабе, типичные скорости обновления экрана компьютера составляют примерно 80 мс» ( Weldon, 2016 г.). «Однако для AR / VR индустрия ведет разговор о вестибуло-глазном рефлексе (VOR) - неврологическом процессе, посредством которого мозг координирует движения глаз и головы для стабилизации изображений на сетчатке. Это очень важно для синхронизации виртуальных и реальных объектов для создания согласованного представления. Весь процесс VOR занимает мозг 7 мс, более чем в 10 раз меньше, чем распространение от экрана к мозгу. … Современные системы виртуальной реальности рекомендуют задержку <20 мс для стандартной производительности, а очень низкая задержка (<7 мс) еще лучше. По этой причине разработчики и изобретатели хотят еще меньших задержек, чтобы реализовать то, что они видят для следующих итераций VR ». Подобное повышение производительности может оказаться полезным в нейронанороботических системах B / CI. 
Биосовместимость B / CI нейроннанороботических систем
Экспериментальные данные предоставили широкий диапазон измеренных внутричерепных объемов человека (1152–1839 см 3 ) и общего среднего объема спинномозговой жидкости (CSF) (82–125,3 см 3 ) с общим объемом паренхимы клеток мозга 1319 см 3 , включая 489 см 3 белого вещества и 786 см 3 серого вещества ( Vaidyanathana et al., 1997 ; Nopoulos et al., 2000 ). Во время операций B / CI один эндонейробот размером ~ 10 мкм 3 будет находиться в каждом нейроне, проживающем в головном мозге, давая общий объем эндонейробота 0,86 см 3 , или только 0,06% от общего объема мозга. Аналогичный объем будет вытеснен глиаботами, учитывая один 10 мкм3 глиабота в каждой из 84,6 × 10 9 глиальных клеток, находящихся в головном мозге ( Azevedo et al., 2009 ), вытесняя еще 0,06% объема мозга. Таким образом, общий объем, вытесненный эндоневроботами и глиаботами, должен составлять .120.12% от «типичного» объема нейрона ∼14000 мкм 3 , что на порядки ниже общего предела «безопасной» интрузивности тканей и органов для 1–10% для нанороботов, имеющих было рекомендовано в другом месте ( Freitas, 2003). 
Популяция синаптоботов представляет собой более значимое вторжение нейронанороботов в объем мозга человека. Каждый синаптобот может содержать десять нейроэлектрических наносенсоров размером 3375 нм 3 ( Martins et al., 2015) для мониторинга потенциалов действия до десяти различных синапсов при адекватном временном разрешении. Чтобы пометить все 2,42 × 10 14 синапсов в человеческом мозге одним роботом, потребуется 24–242 × 10 12 синаптоботов по 0,5 мкм 3 на одного робота, что дает общий объем флота 1,2–12 × 10 13 мкм 3 или 12–120 см. 3 и составляет 0,9–9% от общего объема мозга - только в пределах «безопасных» границ интрузивности тканей и органов. 
Нейроннанороботика для миссий B / CI должна включать способность перемещаться внутри клетки ( Martins et al., 2016), и даже внеклеточная навигация иногда может потребоваться, когда внутриклеточная навигация считается физически трудной или невозможной. Например, некоторые аксонные и дендритные домены имеют диаметр менее 0,50 мкм ( Shepherd and Harris, 1998 ), а миелиновые аксоны в трех разных местах мозолистого тела в человеческом мозге имеют диаметр аксонов ≥0,50 мкм, в 70–90% случаев (диапазон 0,16–3,73 мкм, среднее значение 0,73 ± 0,55 мкм) ( Liewald et al., 2014 ). Таким образом, небольшой процент синаптоботов размером 0,5 мкм 3 может столкнуться с трудностями при доступе к дистальным аксонным и дендритным областям посредством строго внутриклеточной навигации.
Биосовместимость доступных в настоящее время технологий BCI является серьезной проблемой. Системы показали хорошие результаты во время острых записей, но не смогли надежно функционировать в течение клинически значимых временных интервалов, что является результатом реакции ткани мозга на имплантаты, что делает биосовместимость имплантированных систем BCI первостепенной задачей при разработке современных устройств ( Polikov et al., 2005 ; Winslow and Tresco, 2010 ; Tresco и Winslow, 2011 ). Биотическая-абиотическая интерфейсная клеточная биология должна принимать во внимание факторы, относящиеся к различным научным областям, включая химию, клеточную биологию, физиологию, электрохимию биоэлектричества, анатомию, хирургию и микробиологию, а также механические факторы ( Проданов и Дельбеке, 2016 г.). Основными причинами проблем биосовместимости с доступными в настоящее время системами BCI являются индуцированные острые повреждения, в том числе: нарушение BBB для вставки устройств, введение механического напряжения ткани из-за объемного смещения ткани, механическое разрывание клеток и внеклеточного матрикса, активация глиальных клеток, потеря локальной перфузии, вазогенный отек, вторичное метаболическое повреждение, стерическая блокада сигнальных молекул, активация микроглии и локально индуцированная дегенерация нейронов ( Gunasekera et al., 2015 ; Jorfi et al., 2015 ; Kozai et al. 2015). Некоторые стратегии были предложены для решения этих проблем биосовместимости, например, манипулирование поверхностями устройств BCI, которые взаимодействуют между внутриклеточной и внеклеточной средой, помогло пассивно уменьшить локальное воспаление и, следовательно, предотвратить многочисленные проблемы биосовместимости ( Skousen et al., 2015 ; Oakes et al. al., 2018 ). 
При правильном дизайне - с соблюдением пределов объемного смещения ткани, минимизации остаточного воздействия на местную перфузию и отсутствием вазогенного отека - не ожидается, что нейральные нанороботы будут вызывать локализованные острые повреждения и разрушение ГЭБ. Нейроннанороботы также не должны активировать микроглиальные иммунные реакции. 
Протоколы FDA для Нейроннанороботики
Разработка и внедрение нейронанороботически опосредованного человеческого B / CI потребует, чтобы все аппаратные и программные технологии, участвующие в процессе, были тщательно протестированы, проверены и сертифицированы соответствующими техническими и административными организациями для обеспечения соответствия требуемым протоколам для биосовместимости, безопасность, избыточность, безопасность / конфиденциальность, стабильность и долговечность. Отдельные стратегии входа и выхода также должны пройти тщательную и тщательную проверку в соответствии с действующими / последующими протоколами одобрения FDA для предлагаемых клинических наномедицинских технологий, особенно тех, которые должны работать в человеческом мозге.
Протоколы внедрения нейроннанороботики могут быть аналогичны протоколам, применяемым в настоящее время для одобрения любой медицинской технологии. Предполагается, что механизм одобрения нейронанороботики будет включать в себя тестирование всей системы с использованием (1) компьютерного моделирования, (2) лабораторных испытаний, (3) исследований на животных in vivo , (4) испытательных стендов с роботизированными аватарами и (5) испытаний на людях. Этот поэтапный подход будет включать надлежащие клинические протоколы, которые будут дополнены подробным анализом риска и стратегиями снижения риска. После участия в клинических испытаниях могут быть приняты меры защиты для людей наряду с надлежащим мониторингом в соответствии с требованиями комитета по мониторингу данных.
Помимо процесса одобрения FDA и до внедрения, на всех этапах нейронанороботически опосредованной системы B / CI потребуется, чтобы каждый из ее компонентов и систем, предназначенных для входа и выхода, прошел всестороннюю проверку совета по этике. Ожидается, что с экологической точки зрения все нейронанороботы будут сделаны из диамондоидных материалов (вероятно, произведенных в нанофабриках путем молекулярного производства), при этом все наноустройства полностью пригодны для вторичной переработки, поэтому они не нанесут ущерба природным экосистемам или окружающей среде в целом. Любые количества отходов должны быть незначительного объема и химически инертными. 
ООН недавно осудила нарушение доступа в Интернет как нарушение прав человека ( Совет по правам человека ООН, 2016 г.). Аналогичным образом, в будущем интерфейс облачного мозга на основе нейронанороботики также может считаться правом человека, учитывая его тесную связь с поощрением, защитой и осуществлением прав человека в Интернете. Осуществление права человека на свободу выражения мнений в Интернете считается крайне важным, особенно в период быстрых темпов технологического развития, поддерживаемого расширением возможностей людей со всего мира использовать новые информационные и новые коммуникационные технологии ( United Совет по правам человека ООН, 2016). В частности, ожидается, что B / CI, основанный на нейронанороботиках, предоставит широкие возможности для доступного и инклюзивного образования во всем мире, что станет важным инструментом, способствующим продвижению права на образование. Ожидается, что всесторонний анализ основных этических вопросов, связанных с реализацией интерфейса облачного мозга с поддержкой нейронанороботики, будет предшествовать его внедрению и массовому внедрению. 
Применение интерфейса «мозг-человек» / облачный интерфейс 
Значительное улучшение образования
Совокупное человеческое знание удваивалось примерно каждое столетие до 1900 года. К 1950 году человеческое знание удваивалось каждые 25 лет. По состоянию на 2006 г., в среднем, человеческие знания удваивались каждые 13 месяцев, и ожидается, что «Интернет вещей» еще больше сократит время удвоения человеческих знаний до 12 часов ( Coles et al., 2006 ). Такие огромные объемы информации увеличивают необходимость радикального улучшения способностей человека к обучению, которые в настоящее время ограничены характеристиками, обусловленными биологической эволюцией. Невозможность идти в ногу с современными темпами создания научных знаний становится очевидной, если принять во внимание современные биологические когнитивные способности человека ( Larsen and von Ins, 2010). Современные подходы к этой проблеме включают ограниченные стратегии, такие как анализ данных и карты исследований ( Landreth and Silva, 2013 ). Нейроннанороботика может позволить нам намного превзойти нашу ограниченную в настоящее время познавательную способность к обучению в мире, движимом экспоненциально расширяющимся знанием.
Окончательный процесс обучения может проявляться в прямой передаче знаний человеческому мозгу, где нейронанороботы дают возможность практически мгновенного и почти идеального обучения. Однако внедрение фактов и накопленных знаний не обязательно приводит к познанию, пониманию, мета-анализу или мета-мысли, которые могут вдохновлять воображение и творчество. Сложные навыки, такие как игра на пианино или выполнение сложной операции на мозге, могут быть «введены» в мозг, что может сократить время, которое традиционно требуется для обучения игре на пианино, или стать опытным хирургом мозга. Это может быть возможно, так как это специфические ручные навыки, которые запечатлены в мозге. Также потребуется доступ к гиппокампу и мозжечку для инъекции памяти, а также к мозжечку и базальным ганглиям для сложных двигательных задач.
Это потребовало бы очень точной передачи данных, которая в некотором роде была бы аналогична сегодняшней чрезвычайно точной компьютерной передаче данных, сопровождаемой мгновенным активируемым мыслью доступом в Интернет, или B / CI. Первое доказательство принципа «мгновенного обучения» было выполнено с использованием декодированной фМРТ, при которой паттерны мозговой активности зрительной коры человека индуцировались так, чтобы соответствовать ранее известному целевому состоянию и повышать производительность визуальных задач ( Shibata et al., 2011). Транскраниальная магнитная стимуляция, включающая в себя применение сильного импульсного магнитного поля снаружи черепа с использованием магнитной катушки, точно расположенной над головой, также использовалась для стимулирования новых навыков. В некоторых экспериментах по транскраниальной магнитной стимуляции стимуляция «виртуального поражения» небольших участков мозга либо уменьшала, либо улучшала навыки, причем примерно 40% участников демонстрировали замечательные новые навыки, такие как навыки рисования ( Mottaghy et al., 1999 ). 
Повышение интеллекта человека 
Мозг человека с высоким IQ широко интегрирован с нейронными путями, связывающими отдаленные области мозга, в то время как мозг человека с низким IQ имеет менее интегрированную связь с более короткими нервными путями ( Colom et al., 2007; Haier and Jung, 2007 ). Нейроннанороботически-опосредованные системы B / CI могут позволить значительно повысить интеллект человека, в конечном итоге заменив присущие ему архитектуры нейронных доменов мозга. Такие системы могли бы значительно расширить возможности памяти, улучшить распознавание образов и познание путем создания новых гибридных биологических / небиологических сетей и взаимодействия с небиологическими сетями, а также с новыми формами ИИ. 
Нервные протезы в настоящее время используются в кохлеарных имплантатах для лечения потери слуха, в качестве стимулирующих электродов для лечения болезни Паркинсона и других неврологических заболеваний, а также в «искусственных сетчатках» для восстановления зрения, среди других применений ( Dobelle, 2000 ; Mayberg et al., 2005;Perlmutter and Mink, 2006 ; Gaylor et al., 2013 ; Льюис и др., 2015 , 2016 ). Имплантаты мозга, используемые у заблокированных пациентов, позволяют извлекать данные головного мозга во внешний компьютер, позволяя пациентам общаться с внешним миром ( Hochberg et al., 2012 ). Поскольку гиппокамп играет важную роль в обучении и памяти, повреждение этого маленького органа может нарушить правильную электрическую передачу сигналов между нервными клетками, препятствуя образованию и воспоминанию. Это то, что протезы, основанные на искусственном мозге, в настоящее время начинают лечить ( Berger et al., 2005 , 2011 ; Lebedev and Nicolelis, 2006 ).
Компьютеризированные имплантаты, принимающие сигналы от тысяч нервных клеток головного мозга, могут по беспроводной связи передавать данные на межфазное устройство, которое декодирует намерения, при этом предварительные версии этих имплантатов используются для контроля протезов ( Ferris, 2005 ; Au et al., 2007 ; Гордон и Феррис , 2007 ; Hargrove и др., 2013 ; Tabot и др., 2013 ). Нейроннанороботы могут предложить значительные преимущества по сравнению с существующими хирургическими протезами, установленными хирургическим путем, поскольку они могут вводиться через кровоток без хирургического вмешательства, с помощью полностью обратимой процедуры, которая может быть перепрограммирована в режиме реального времени для обеспечения мгновенного обновления программного обеспечения. 
Искусственный интеллект и предотвращение экзистенциального риска
Алгоритмы искусственного интеллекта (ИИ) улучшаются во многих областях и демонстрируют превосходные возможности по сравнению с возможностями человека, благодаря экспоненциальному увеличению цены / производительности вычислительной мощности хранения и обработки данных. Примерами превосходства ИИ являются: игра в игры (Jeopardy, Go, шахматы), вождение автомобилей, предоставление диагностики для некоторых больных раком и другие примеры в различных областях ( Ferrucci et al., 2010 ; Levinson et al., 2011 ; Чуард, 2016). Ожидается, что в течение следующего десятилетия узкие алгоритмы искусственного интеллекта превзойдут людей во многих других областях. Ожидается, что достижения в области искусственного интеллекта в областях машинного обучения, машинного зрения и обработки естественного языка в сочетании с достижениями в области больших данных и робототехники позволят роботам превзойти людей во многих, если не в большинстве, физических и когнитивных задач. Однако в будущем мы можем ожидать гораздо более мощный «искусственный общий интеллект» (AGI), подполе ИИ, ориентированное на создание мыслительных машин с общими когнитивными возможностями на уровне человека и за его пределами. ( Minsky, 1985 ; Nakashima, 1999 ; Horst, 2002; Hutter, 2005 ; Goertzel, 2006 ;Adams et al., 2011 ). 
Взаимодействие человеческого мозга с облаком с помощью нейронанороботических технологий может быть полезным для человечества, помогая смягчить серьезные экзистенциальные риски, связанные с появлением искусственного общего интеллекта ( Bostrom, 2002 , 2013 ; Whitby and Oliver, 2000 ; Joy, 2007 ; Bostrom and Cir, 2008 ; Yudkowsky, 2008 ; Schneider, 2009 ). Одним из таких способов смягчения может быть объединение человеческого мозга с компьютерами для предотвращения опасностей необузданного искусственного интеллекта ( Dewey, 2015).). Нейроннанороботика действительно может быть подходящей технологией, помогающей снизить экзистенциальный риск для человека, потенциально инициируемый быстро развивающимся искусственным интеллектом, позволяющим создать компенсирующую полезную технологию человеческого дополнения. 
Виртуальная и дополненная реальность
Полностью иммерсивная виртуальная реальность может стать неотличимой от реальности с появлением нейронаноробототехники, что делает многие формы физических путешествий устаревшими. Офисные здания могут быть заменены средами виртуальной реальности (VR), в которых можно виртуально присутствовать на конференциях, заменив сегодняшние конференц-звонки VoIP и интернет-видеоконференцсвязи высоко реалистичными, полностью погруженными в виртуальную реальность конференциями в пространствах виртуальной реальности. Иммерсивная виртуальная реальность может обеспечить дальнюю связь в привлекательной среде, неотличимой от реальности. Экономические и экологические выгоды от значительного снижения требований к поездкам могут быть значительными. Например, Cisco сообщила об экономии миллионов долларов за счет использования очень реалистичных систем дистанционного присутствия.
Современные системы для полностью иммерсивной виртуальной реальности включают в себя VR-гарнитуры и тактильные контроллеры (как правило, для облегчения иммерсивных игр) ( Alkhamisi and Monowar, 2013 ; Tweedie, 2015 ). В принципе, полностью погруженный VR может извлечь выгоду из продвинутых нейронанороботиков, чтобы обеспечить, например, соответствующие «проксимальные сигналы».
Нейроннанороботически индуцированные искусственные сигналы могут быть неотличимы от фактических сенсорных данных, получаемых от физического тела. Нейроннанороботы могут подавлять все выходные сигналы мозга, чтобы избежать движения реальных конечностей, рта или глаз во время виртуального опыта; вместо этого виртуальные конечности реагировали бы соответствующим образом, приспосабливая окружающий виртуальный мир в поле зрения (аналогично нынешним захватывающим играм). Пользователи B / CI могут первоначально столкнуться с виртуальной информационной панелью в облаке, где они могут выбирать из обширного меню, которое изобилует экспериментальными путями. Игровая индустрия предоставляет людям виртуальные среды для исследования, от воссоздания реальных мест до причудливых окружений - даже сред, нарушающих законы физики.Виртуальные поездки в симуляции «реальных» локаций позволят эквивалентно почти мгновенному путешествию во времени. VR с ультравысокой разрешающей способностью, полностью погружающий в себя, может также улучшить деловые переговоры и веб-знакомства среди других приложений. «Реальный» и «виртуальный» миры могут эволюционировать, чтобы их стало практически невозможно различить.
Другое применение нейронанороботики может проявляться как дополненная реальность - наложение информации о реальном мире на сетчатку для обеспечения руководства, объяснений или данных о социальных событиях во время путешествий в реальном времени. Нейроннанороботика может обеспечить в режиме реального времени слуховой перевод иностранных языков или доступ ко многим формам онлайновой информации, которая бы интегрировала эти дополнения в нашу повседневную деятельность. Некоторые типы информации могут быть представлены виртуальными помощниками или аватарами, которые перекрывают реальный мир, чтобы помочь своим партнерам-людям в поиске информации. Эти виртуальные помощники, работающие в облаке, как и IBM Watson, могут даже не ждать вопросов, если они могут предсказать человеческие желания на основе ранее зарегистрированных моделей поведения и других данных.
Полностью иммерсивное «прозрачное затенение» сверхвысокого разрешения. 
Нейроннороботические технологии B / CI, сопровождаемые суперкомпьютерными технологиями, могут позволить пользователям испытать полностью захватывающие эпизоды из жизни любого добровольного участника на планете в реальном времени с помощью неинтрузивного «прозрачного затенения». (TS). »В TS человек может буквально ощутить жизнь другого человека своими глазами в течение предопределенной продолжительности посредством сеанса« дополнительной жизни ». Можно ожидать, что такая способность поднимет человеческое сотрудничество, понимание, уважение и сочувствие к ранее невообразимым уровням ( Domschke and Boehm, 2014 ). «Мы сможем изменить свою внешность и эффективно стать другими людьми» ( Kurzweil, 2005 ).
С нейронно-нормотоническим включенным B / CI, люди могут участвовать в TS добровольных или оплачиваемых «пространственных хостов». В соответствии со строгими протоколами аккредитованные пространственные хосты соглашаются разрешить одному или нескольким посетителям (предположительно, их число исчисляется миллионами) буквально испытать части своего жизненный опыт в течение заранее определенного графика / графика. Эти сессии TS могут быть схожи с сегодняшними семинарами или сериями лекций, где знания или специфические навыки организатора будут эмпирически передаваться «посетителям». Однако эти сессии TS будут предлагать экспоненциально более высокое разрешение во всех отношениях. Участники ощутили бы всю сенсорную сферу (например, физическое присутствие, тактильные ощущения, обонятельные, зрительные, вкусовые и слуховые ощущения), как если бы они населяли тело пространственного хозяина.Хотя они будут воспринимать голосовые инструкции организатора, чтобы временно ощутить, что именно испытывает пространственный организатор, ради личной конфиденциальности участники могут по умолчанию быть полностью заблокированы от любого доступа к мыслям, эмоциям или самому себе. говорить о своих пространственных хозяевах (Форд, 2010 ).
С другой стороны, доступ к некоторому уровню самовыражения может быть полезен для участников для передачи мыслительных процессов / намерений пространственного хозяина, которые лежат в основе их деятельности. Тем не менее, вполне вероятно, что любые разговоры о пространственном хозяине будут включать в себя их самые личные и интимные мысли. Следовательно, это требует тщательного изучения того, как эти говорящие насквозь предметы могут быть показаны таким образом, чтобы посетители не были к ним причастны, как это будет решаться и кем. Какое самовыражение будет допустимым, а что будет считаться за границей? Для того, чтобы эта оценка проводилась через ИИ, рассматриваемая речь должна быть каким-то образом обработана в режиме реального времени / на лету, поскольку любые записи такого рода в любой форме, скорее всего, будут рассматриваться как крайне неэтичные.Это может привести к установлению очень короткой (ise миллисекунды) задержки от пространственного хоста до посетителя, чтобы сделать возможным практически мгновенный самоконтроль.
Несмотря на то, что участники сохраняли свою индивидуальность и в режиме реального времени получали полное погружение в часть жизненного опыта хозяина, у этих гостей не было бы возможности контролировать какой-либо аспект хозяина. Это конкретное приложение B / CI будет сродни экспоненциально улучшенной версии посещения и просмотра фильма, хотя и полностью контролируемой пространственным хостом. У хозяина не будет никакого ментального или физического восприятия, что они «затенены» участниками. Следовательно, по сути, любой человек на планете (которому включен B / CI) может быть вовлечен либо в качестве пространственного хоста, либо в качестве участника.
Однажды созданная и потенциально используемая растущей демографией, эта способность может иметь серьезный потенциал для передачи глубоких благотворных последствий для человеческого прогресса во многих областях, возможно, способствуя дальнейшему развитию человеческого сотрудничества и эмпатии, что, возможно, в конечном итоге приведет к минимизации или ликвидации большинства вооруженный конфликт.
Учитывая перспективу виртуального, полностью иммерсивного TS, вопросы, относящиеся к возможности немедленного или остаточного (после сеанса TS) физиологического и / или психологического переноса, возникающего в результате взаимодействия между пространственным хозяином и любым данным участником, потребуют тщательного рассмотрения. В дополнение к стандартизированным эксплуатационным процедурам и мерам безопасности TS следует изучить и установить ряд разумных отказоустойчивых протоколов для защиты как пространственных хостов, так и посетителей. Потенциальные проблемы физиологического переноса могут возникнуть, когда два или более человека участвуют в общих действиях TS. Например, в случае неприятной боли участник может активировать протокол мгновенного автоматического отключения по умолчанию, как только система B / CI обнаружит определенный физиологический порог.
TS может обладать потенциалом, чтобы облегчить понимание опыта других людей и значительно увеличить сочувствие. Переживание эпизодов из жизни людей других культур и этнических групп может способствовать межкультурному взаимопониманию и терпимости, улучшая перспективы снижения ненависти и расизма. Например, возможно, что представители большинства этнических групп могут быть более чувствительны к проблеме расизма по отношению к этническим группам меньшинств, как только они сами «испытают» его на сессиях TS. Точно так же меньшинства, в которых проживает большинство, могут прийти к выводу, что многие действия, воспринимаемые ими как целенаправленный расизм, были совершенно непреднамеренными. Межполовой опыт может повлиять на реальные отношения между полами из-за повышенной эмпатии и понимания.Вполне возможно, что возможный сдвиг в гендерных отношениях может привести к снижению гендерного насилия и насилия в семье.
Хотя за рамками и ограничениями по объему этой статьи мы признаем, что, вероятно, пользователям B / CI будет доступно несколько «режимов отображения», когда технология станет более зрелой. Они могут включать необязательный текст, изображения и потоковое видео, которые накладываются в настраиваемых местах в поле зрения пользователя. Вполне вероятно, что с помощью TS все основанные на знаниях запросы и ответы, а также полное погружение в аватары и других пользователей могут включать дополнительный режим переключения. Когда этот режим активирован, внутренняя визуализация может проецироваться как на «плавающий экран», который может быть наложен в поле зрения пользователя, где плавающий экран может быть сделан более заметным в опыте пользователя посредством динамического замирания. 
Заключение
Человеческие знания оцифровываются в ускоренном экспоненциальном темпе для хранения и обработки в облаке. Учитывая наши биологически ограниченные когнитивные способности, очевидна неспособность человеческого ума идти в ногу со все более быстрым поколением человеческих знаний. Следовательно, очень важно, и может действительно стать срочно, чтобы мы разработали безопасную, надежную, стабильную, безопасную и непрерывную систему интерфейса в реальном времени между человеческим мозгом и системами хранения и обработки данных, которые находятся в облаке. Нейроннанороботика может предоставить технологию в соответствующем масштабе с подходящим уровнем сложности для надежного взаимодействия человеческого мозга с огромным объемом данных, которые хранятся и обрабатываются в облаке.
Стратегии нейронанороботики включают в себя прямой всесторонний мониторинг нейронов ∼86 × 10 9 мозга человека, а также его синапсов ∼2 × 10 14 и глиальных клеток ×84 × 10 9 . Три предложенных класса нейронанороботов (эндонейроботы, глиаботы и синаптоботы) могут использовать нейроэлектрические наносенсоры на основе FET с длиной волны ~ 3375 нм 3 для обнаружения и мониторинга практически всех индивидуальных потенциалов действия и их форм сигналов. Нейронанороботические объекты будут передавать номинальную ×5 × 10 16 бит / с синаптически обработанной электронной информации, закодированной в ×4 × 10 15 пиков / сек, проходящей по всему живому человеческому мозгу, по беспроводной связи через нанороботическую вспомогательную систему 30 см 3.объемная наноразмерная волоконно-оптическая система, способная обрабатывать 1810 18 бит / с. Это может позволить осуществлять мониторинг состояния мозга в режиме реального времени и извлекать данные во внешний суперкомпьютер, который напрямую связывается с облаком.
Система B / CI человека, опосредованная нейронными нанороботиками, может предоставить людям мгновенный доступ ко всем накопленным человеческим знаниям, доступным в облаке, и значительно улучшить способности человека к обучению и интеллекту. Кроме того, он может перевести полностью иммерсивные виртуальные и дополненные реальности на беспрецедентные уровни, предоставляя более значимый опыт и более полное / более богатое выражение для пользователей и между пользователями. Эти усовершенствования могут помочь человечеству адаптировать возникающие системы искусственного интеллекта в качестве технологий расширения возможностей человека, способствуя смягчению новых вызовов для человеческого рода. Системы B / CI человека, опосредованные нейроннанороботами, могут также улучшить взаимопонимание и сотрудничество между людьми, позволяя вовлекать людей в опыт TS,что позволило бы значительно улучшить понимание и терпимость среди всех членов нашей разнообразной и удивительной человеческой семьи....