数模混合机：新模拟机方向

根据上面的比较分析，我们要克服现有模拟机的缺点，充分发挥其优点。在此，一个新的计算机框架将被提出，这就是以脑为榜样研制的模拟机。

从神经网络来看，神经元本身是网络的核心。因此模拟电路的关键是采用神经元的仿真电路，研制出一个类似于神经元的混沌电路，以此为基础来发展模拟机。

神经元可用累积—释放模型描述，所以新的电路也要基于累积—释放模型。虽然目前有关于累积—释放模型的文献也不少，但是现有文献几乎都以定性分析为主，基本上没有考虑定量问题（参见第1 章），这些模型不存在像神经元那样的圆映射，因此无法被利用。神经元H-H 方程本身存在单调递增圆映射，因此新的电路也必须要有一个单调递增圆映射。也就是说，新的电路中也要存在类似于图5.3那样的映射曲线，这样就可以仿真脑内神经元的工作状态。关于神经元仿真电路，我们也做了些研究，但是还是没有找到较理想的神经元仿真电路。

当然，完全可以简化神经元仿真电路，并不需要把所有离子通道都分别用电路仿真出来。只要能把握住输入和输出之间的关系，电路越简化越实用。但不管如何简化，一定要考虑以下几个因素。

（1）理论基础。要构建一个不稳定的、高灵敏的模拟计算机。看起来这种提法与现有模拟机的思想是矛盾的，是不现实的。但现有的信息系统都是以稳定性作为先决条件的，必须要有全新的理论来颠覆它。新的模拟机应该以S 空间理论为基础，S 空间理论主要是基于圆映射和符号动力学的。现在来看，除了圆映射，很难还有其他更好的方法来解决不稳定系统实现测量小信号的问题。

（2）信号变量形式。以时间作为信号变量（更确切地说，要以脉冲序列为信号变量），代替现有模拟机中的以电压或电流作为信号变量，这样可大大提高新模拟机的抗干扰能力。(www.xing528.com)

（3）输出。采用一串脉冲序列来代表一个量，可以克服“读出困难”。

（4）记忆。可以采用两种形式的记忆：一是像人工神经网络那样采用系统结构实现记忆；二是把脉冲序列用符号动力学进行符号化（结果称为符号序列，这已经是数字化形式了），然后进行存储。

（5）运算。神经系统的运算并不像计算机那样经中央处理器（central processing unit，CPU）进行，所以不同的计算会依靠不同的回路。根据同一性原理，神经系统中会有大量的类似的运算回路。

根据第7 章中的理论，如果S 空间中的矩阵运算回路可以实现，由于矩阵的通用性，通用的模拟机也将初露头角。当然，实际中还需要解决很多技术问题。但是可以预见，以通用的模拟机为主体的测量系统，灵敏度一定会超过现有的数字系统。只是这里没有绝对的精度，只有S 空间中的相对精度。生物系统依靠相对精度，性能反而远超人工系统，这一点我们需要向生物系统学习。

采用符号动力学分析以后，模拟机会具有数字机的性能。所以说采用新型数模混合机是最理想的计算技术。总而言之，以不稳定性和不确定性的非线性观点来分析模拟机，可以得出模拟机具有数字机无法比拟的优点的结论。相信总有一天，模拟机会以它特有的优点重返信息科学的舞台。