計(jì)算機(jī)工業(yè)在近幾十年內(nèi)飛速發(fā)展，其速度令人瞠目。然而目前晶體管的密度已近當(dāng)前所用技術(shù)的理論極限，晶體管計(jì)算機(jī)能否繼續(xù)發(fā)展下去？所以，人們在不斷尋找新的計(jì)算機(jī)結(jié)構(gòu)。另一方面，人們在研究人工智能的同時(shí)，借鑒生物界的各種處理問題的方式，即所謂生物算法，提出了一些生物計(jì)算機(jī)的模型，部分模型已經(jīng)解決了一些經(jīng)典計(jì)算機(jī)難以解決的問題。

生物計(jì)算機(jī)目前主要有以下幾類：

1. 生物分子或超分子芯片：立足于傳統(tǒng)計(jì)算機(jī)模式，從尋找高效、體微的電子信息載體及信息傳遞體入手，目前已對生物體內(nèi)的小分子、大分子、超分子生物芯片的結(jié)構(gòu)與功能做了大量的研究與開發(fā)。“生物化學(xué)電路” 即屬于此。

2. 自動機(jī)模型：以自動理論為基礎(chǔ)，致力與尋找新的計(jì)算機(jī)模式，特別是特殊用途的非數(shù)值計(jì)算機(jī)模式。目前研究的熱點(diǎn)集中在基本生物現(xiàn)象的類比，如神經(jīng)網(wǎng)絡(luò)、免疫網(wǎng)絡(luò)、細(xì)胞自動機(jī)等。不同自動機(jī)的區(qū)別主要是網(wǎng)絡(luò)內(nèi)部連接的差異，其基本特征是集體計(jì)算，又稱集體主義，在非數(shù)值計(jì)算、模擬、識別方面有極大的潛力。

3. 仿生算法：以生物智能為基礎(chǔ)，用仿生的觀念致力于尋找新的算法模式，雖然類似于自動機(jī)思想，但立足點(diǎn)在算法上，不追求硬件上的變化。 4. 生物化學(xué)反應(yīng)算法：立足于可控的生物化學(xué)反應(yīng)或反應(yīng)系統(tǒng)，利用小容積內(nèi)同類分子高拷貝數(shù)的優(yōu)勢，追求運(yùn)算的高度并行化，從而提供運(yùn)算的效率。DNA計(jì)算機(jī) 屬于此類。以下將著重介紹自動機(jī)模型中的計(jì)算神經(jīng)網(wǎng)絡(luò)和生物化學(xué)反應(yīng)算法中的DNA計(jì)算機(jī)的模型。

計(jì)算神經(jīng)網(wǎng)絡(luò)

早在1943年心理學(xué)家W. McCulloch和數(shù)學(xué)家W. Pitts合作提出神經(jīng)元的二值邏輯模型。1949年D. Hebb提出了改變神經(jīng)元連接強(qiáng)度的學(xué)習(xí)規(guī)則，這一規(guī)則至今在各種網(wǎng)絡(luò)模型中起著重要作用。1962年F. Rosenblatt提出感知機(jī)模型。1982年美國物理學(xué)家J.Hopfield提出一種全新的神經(jīng)網(wǎng)絡(luò)模型 ，它體現(xiàn)了D. Marr的計(jì)算神經(jīng)理論、耗散結(jié)構(gòu)和混沌理論的基本精神，用S型曲線替代二值邏輯，引入“能量”函數(shù)，使網(wǎng)絡(luò)的穩(wěn)定性有了嚴(yán)格的判斷依據(jù)，模型具有理想記憶、分類與誤差自動校正等智能。Hopfield模型的動力學(xué)特征的分析提供了有力的研究方法。

神經(jīng)網(wǎng)絡(luò)系統(tǒng)模擬大腦的工作方式，由大量簡單的神經(jīng)元廣泛相互連接而成，形成一種拓?fù)浣Y(jié)構(gòu)。大腦具有相當(dāng)高級的處理信息的能力，與傳統(tǒng)計(jì)算機(jī)模型相比，大腦具有如下特征：首先是大規(guī)模并行處理能力，其次是大腦具有很強(qiáng)的“容錯(cuò)性”和聯(lián)想功能，第三是大腦具有很強(qiáng)的自適應(yīng)能性和自組織性。在這些方面，目前的傳統(tǒng)計(jì)算機(jī)模型是難于實(shí)現(xiàn)的。

具體的神經(jīng)元模型主要是如何更好地反應(yīng)神經(jīng)元在刺激下發(fā)放電位的本質(zhì)。大多數(shù)模型把神經(jīng)元之間的連接考慮成線性連接，輸入層與輸出層直接相連，沒有中間所謂隱單元層。每個(gè)神經(jīng)元只能是興奮態(tài)或抑制態(tài)，任一神經(jīng)元的輸入是其他神經(jīng)元的輸出通過突觸作用的總和。如果考慮興奮態(tài)和抑制態(tài)之間的過渡情況，可以采用S型曲線來表征神經(jīng)元的非線性輸入和輸出特性，如J. Hopfield模型；也可以按照統(tǒng)計(jì)物理學(xué)的概念和方法，神經(jīng)元的輸入由神經(jīng)元狀態(tài)更新的概率來決定，如波爾茲曼機(jī)模型；還可以在神經(jīng)元的輸入與輸出層之增加中間變換層，如感知機(jī)模型；增加反向誤差校正通道的反傳播模型等等。通過對神經(jīng)元的形態(tài)與功能的不同表達(dá)，可以產(chǎn)生不同的模型。

DNA計(jì)算機(jī)

1994年,美國加州大學(xué)的L. Adleman博士在《Science》上公布了DNA計(jì)算機(jī)的理論，并成功地在DNA溶液的試管中進(jìn)行了運(yùn)算實(shí)驗(yàn)。L. Adleman博士的DNA計(jì)算機(jī)完全是一種新的觀念。其基本設(shè)想是：以DNA堿基序列作為信息編碼的載體，利用現(xiàn)代分子生物學(xué)技術(shù)，在試管內(nèi)控制酶作用下的DNA序列反應(yīng)，作為實(shí)現(xiàn)運(yùn)算的過程；即以反應(yīng)前的DNA序列作為輸入的數(shù)據(jù)，反應(yīng)后的DNA序列作為運(yùn)算的結(jié)果。DNA計(jì)算機(jī)是一種化學(xué)反應(yīng)計(jì)算機(jī)。到目前為止，已有人通過DNA計(jì)算機(jī)模型進(jìn)行實(shí)驗(yàn)解決了一些基本的NP問題。如L. Adleman博士做的對貨郎擔(dān)問題（哈密頓圖問題，HPP）的計(jì)算，和普林斯頓大學(xué)查科普頓作的可滿足性問題（SAT問題） 。所謂NP問題 ，是指人們根據(jù)問題類的算法復(fù)雜程度的劃分而言，與P問題相對。P問題是指算法復(fù)雜性隨著問題規(guī)模的增長而呈多項(xiàng)式增長的算法，是可以計(jì)算的。NP問題是指指算法復(fù)雜性隨著問題規(guī)模的增長而呈指數(shù)增長的算法，是實(shí)際上不可計(jì)算的。DNA計(jì)算機(jī)的構(gòu)想是一種創(chuàng)新，具有巨大的潛力。DNA計(jì)算機(jī)運(yùn)算速度快，其幾天的運(yùn)算量就相當(dāng)于計(jì)算機(jī)問世以來世界上所有計(jì)算機(jī)的運(yùn)算總量。它的存儲容量非常巨大，而耗能卻只有一臺普通計(jì)算機(jī)的十億分子一。當(dāng)然，DNA計(jì)算機(jī)畢竟只是一種理論設(shè)想，在很多方面還相當(dāng)不完善。主要表現(xiàn)在：

1. 構(gòu)造的現(xiàn)實(shí)性及計(jì)算潛力。DNA計(jì)算機(jī)以編碼后的DNA序列作為輸入，在試管內(nèi)反應(yīng)完成計(jì)算，反應(yīng)產(chǎn)物及溶液給出了全部解空間，但是最優(yōu)解如何與其他解分離，怎樣輸出，是一個(gè)技術(shù)性極強(qiáng)的問題。目前還沒有令人滿意的輸出手段。隨著求解問題規(guī)模的擴(kuò)大，輸出將成為DNA計(jì)算機(jī)的瓶頸。

2. 運(yùn)算過程中的錯(cuò)誤問題。在擴(kuò)增DNA的過程中，有較高的錯(cuò)配率，而且大量的DNA在幾百步的反應(yīng)中也會產(chǎn)生一些支路反應(yīng)。錯(cuò)誤會產(chǎn)生偽解，并增加最優(yōu)解輸出的難度。

3. 人機(jī)界面。怎樣使得DNA計(jì)算機(jī)的輸入和輸出變成一般人可以接受的，否則就無法進(jìn)行廣泛的應(yīng)用。

不論如何，DNA計(jì)算機(jī)的提出拓寬了人們的視野，啟發(fā)人們用算法的觀念研究生命，并向眾多領(lǐng)域提出了挑戰(zhàn)。