平衡三进制类脑计算

PS:用来记录一些新奇又有趣的想法。。。

1、量子的世界

1.1薛定谔的猫

这感觉是个有趣的话题。在宏观中可以观测到的，是稳定的两种状态，但随着尺寸不断缩小，直至达到微观尺度，这一切都变的有趣了起来，一只“既死又活”的猫，而这就是量子的世界，先看文章：“薛定谔的猫”想表达什么思想？真的存在“既死又活”的猫吗？

来自于两位物理学界大佬的交锋：爱因斯坦 VS 玻尔，他们都是量子力学的创始人之一，分别代表着经典物理学派与哥本哈根学派，而薛定谔也是经典物理学派的坚定支持者，同时也是个物理学天才，提出了著名的薛定谔方程，不过薛定谔无法解释公式中的“波函数”到底是什么意思。

然后，玻恩给出了解释，认为所谓的“波函数”其实就是概率波，然后玻恩也因为“概率波”诠释获得了诺贝尔物理学奖，但同时玻恩也是哥本哈根学派的成员之一，他所提出的概率波诠释本质上还是不确定性，这就让薛定谔本人对此非常生气，对此提出了著名的薛定谔的猫这个思想实验，讽刺并质疑哥本哈根学派所谓的“叠加态”，对于这个思想实验，一时间连玻尔本人也有点懵，毕竟如果叠加态真的存在，那里理论上“既死又活”的猫也会存在，但现实中怎么可能存在这样的猫呢？

而如果叠加态不存在，不等于自己打自己脸吗？相当于玻尔和哥本哈根学派自己否定到了自己。于是，随着薛定谔的猫这个思想实验不断发酵，最终这只猫也成了物理学界四大神兽之一，可谓家喻户晓，现实中很多人把自己家的猫就起名为“薛定谔”，可见这只猫有多出名了。

1.2量子叠加态

上世纪60年代贝尔不等式的问世，贝尔不等式是从爱因斯坦的“隐变量理论”推导出来的一个属性，简单讲就是，如果隐变量存在，那么量子纠缠的结果应满足一定的统计规律，也就是说，如果贝尔不等式成立，那么隐变量就存在，爱因斯坦对了；如果贝尔不等式不成立，那么隐变量就不存在，玻尔为首的哥本哈根学派就对了；

是的，哥本哈根学派笑到了最后，实验证明贝尔不等式确实不成立，在哥本哈根学派眼里，叠加态确实是存在的，是量子世界的固有属性，只不过这种叠加态很难表现在宏观世界里，而很多实验也确实表明量子纠缠现象的确存在，比如说我国的墨子号量子卫星，早在2016年就实现了两个纠缠光子被分发到相距1200公里远处，仍保持纠缠态。

1.3量子的三态

这里的三态表示的，一种“叠加态” 及两种“本征态” ，就像前面说的薛定谔的猫，若不去观察那么就处于“生和死”的叠加态；只要观测了，那么在观测的一瞬间，猫的状态就发生了坍缩，从叠加态坍缩为“本征态”，也就是某一个确定状态，要么死，要么活。

叠加态的概念是量子力学的核心之一，量子叠加态不可被观测到，一旦测量完成，系统处于一个确定的状态，当测量时，量子系统的叠加态会“坍缩”到一个特定的状态，这个过程称为波函数坍缩或态矢量坍缩，测量结果是随机的，由系统的波函数给出的概率分布决定，但在没有进一步测量的情况下，系统可以再次进入叠加态。

最常见的就是光的波粒二象性，在双缝实验中：当不观测通过哪一条缝时，电子或光子显示出波动性质，形成干涉图样，这表明它们处于叠加态；当检测电子或光子通过哪一条缝时，它们表现出粒子性质，干涉图样消失，表明波函数已坍缩到某个确定状态；

2、计算机的应用

2.1量子计算机

量子计算机的设计旨在解决某些经典计算机难以处理的问题，特别是在因数分解、大规模优化问题和模拟量子系统等领域。量子计算的这些核心思想和特性使其在理论上能够在这些领域中显著超越经典计算机。

量子纠缠是量子比特之间的一种特殊关联状态，纠缠态中的量子比特的状态是相互依赖的，即使它们相距很远。这种现象可以用来实现高效的信息传递和并行计算；
量子比特的叠加态允许量子计算机在同一时间处理多个状态，通过这种方式，量子计算机可以并行处理大量的信息；
量子干涉用来增强正确答案的概率，并取消错误答案的概率，这种干涉现象通过构造适当的量子算法实现；

2.2类脑计算机

大脑神经元中的突触，离子泵它们一刻不停的维持着静息电位，等待着上一级神经元释放神经递质，神经递质分为兴奋性递质和抑制性递质，然后就会有兴奋性信号（使膜电位更加正，即去极化）和 抑制性信号（使膜电位更加负，即超极化），它们的目的就是改变神经元的膜电位，从而完成一次神经元的放电行为。

神经元的膜电位达到动作电位阈值之前，外界刺激会导致膜电位逐步的变化着，一旦这些累加的去极化电位使膜电位达到动作电位阈值，神经元的钠离子通道会快速开放，导致大量钠离子进入细胞内，迅速去极化膜电位并触发动作电位。这一过程就是量变引起质变的典型例子：在到达阈值之前，膜电位的变化是渐进的，但一旦超过阈值，就会发生显著的质变——动作电位的生成。

这就像是小朋友做家务存钱买玩具，是一种累加的过程，膜电位的动作电位阈值比喻成要存的钱，兴奋性信号比喻成做家务得到报酬，抑制性信号比喻成钱花出去买零食吃了，这里的膜电位好比于存的钱，只有达到了动作电位阈值，才能完成放一次放电，也就是只有存的钱足够了，才能买一个喜欢的玩具。

上述的神经元的膜电位，也就是神经元的胞体的膜电位，有着动作电位阈值（action potential threshold），接受到的兴奋性信号使膜电位达到或超过这个阈值时，神经元会产生一个动作电位，即放电，这个过程通常是在非常短的时间内发生的，动作电位本身的持续时间一般只有几毫秒。

一个神经元：有树突、有胞体、有轴突，树突上有很多的后膜突触（Post-synapses），轴突上有前膜突触（Pre-synapses），胞体接收着树突各个突触传来的信号，也就是多个小朋友众筹想买一个大玩具，有的小朋友做家务挣钱，有的花钱买零食吃，综合多个小朋友的情况，判断现在存的钱够不够买玩具，够了就是达到了阈值，完成一次动作电位。

神经元内部靠的是电传播，神经元与神经元之间靠的是神经递质，是化学信号，由胞体综合树突上传来的信号，发送的电脉冲就是动作电位，这动作电位的传输由电敏型离子通道完成，很神奇，动作电位是数字信号，可以做到无损传输，传输时会形成局部电流，传输方向是双向的，但又由于电敏型离子通道存在不应期(绝对不应期、相对不应期)的存在，所以显现的就是，打开一个再关闭一个，单一方向的传递，传递方式为多米诺骨牌的方式，从胞体传输到轴突末端，不管刺激的高低，只要超过阈值，就会产生一个固定高度的电压变化，表现为“全” 及 “无”的特性，用的是二进制，也就是有脉冲和无脉冲，没有高低的差别，只有频率的差别，而频率的影响因素，而就是接收信号的不同，兴奋性信号会促进动作电位的产生，提高动作电位的产生频率，而抑制性信号会降低动作电位的产生频率，甚至完全阻止动作电位的产生，是一种不断复制再传输的机制，所以是无损传输的，只要能量给够理论上可以传输的无限远。

然而，树突上到胞体之间的传输用的也是电信号，但它传输是有损耗的传输，跟真正的电缆一样，好比于：一条路时不时的放个中继器无损的传输；一条路没有中继器，只看输入的信号强度在路途上有没有耗尽，它跟输入的是兴奋性信号还是抑制性信号有关，跟线路的传输长度也有关，在神经网络模型中被称为权重，大模型训练就是不断调整权重的过程，而表现为：一个神经元的树突上的后膜突触与另一个神经元轴突的前膜突触加强或减弱其联系的过程，表现为神经可塑性（neuroplasticity）的一部分，特别是突触可塑性（synaptic plasticity），在学习过程中，新的突触可以形成，而一些不常用的突触可能会消失、即使突触的数量不变，突触的强度也可以改变、突触的形态也可能会发生变化，例如突触后脊（spines）的大小和形状，这会影响突触传递的效率。

这就很神奇，此外胞体与轴突之间信息传输是很耗能的，就像是在古代为了传递一个信息，快马加鞭几千公里日夜不停，信息确实是送到了，但马在路上也跑死十几匹了，人也换了很多个了，总结下来就是开销大传输慢，而在古代为了防止敌人入侵，需要实时性很强的战报，从而提前做好防御，聪明的古人就发明了烽火台，同样的，在生物体慢长的进化中，神经元也进化出了这样的结构，也就是轴突上的髓鞘，髓鞘由脂类和蛋白质构成，髓鞘部分可以起到绝缘的作用，轴突上有很多个这样髓鞘包着轴突，两个髓鞘之间会露出一小段神经元，这就是髓鞘间的节点，被称为朗飞氏结（Nodes of Ranvier），有了髓鞘提供的绝缘层，使得神经冲动（动作电位）能够在轴突上以跳跃的方式进行传导，这种跳跃式传导称为跳跃传导（saltatory conduction），大大加快了神经冲动的传递速度，同时也大大的减少了能量消耗，提供了一种既省能量、传输速度快、传输信号又好的传输方式。

若要读取脑子内的神经信号，最好读取的就是读取轴突上的动作电位，跟现在电脑一样，用的也是二进制，用二进制来传输信息，极大的减少了信息的错误率，如果能解析出这些信号，再将这些信号重新传回去，那脑机接口什么的，给人很大的想象空间，这传输用的是二进制，随着时间的变化频率也在变化着，传输是在胞体与轴突之间，最后传导到了释放神经递质结束，但它的运算却不是二进制，更加倾向于模拟计算，但神奇的输出却又是数字信号，所以结合以上特性，感觉平衡三进制很适合应用到上面去，以下是一种猜想的实现：

平衡三进制新型神经网络大模型设计概念

1、三种状态：

静息状态 (0)：表示神经元未受到任何刺激，处于静息状态。
去极化状态 (1)：表示神经元受到了兴奋性信号，处于准备放电的状态。
超极化状态 (T)：表示神经元受到了抑制性信号，降低了放电的可能性。

2、状态转换规则：

静息状态(0)：
》收到兴奋性信号（1）：变为去极化状态（1），胞体计数加1。
》收到抑制性信号（T）：变为超极化状态（T）。
去极化状态(1)：
》无信号：过一段时间自动恢复到静息状态（0）。
》收到抑制性信号（T）：快速恢复到静息状态（0）。
》收到兴奋性信号（1）：有着不应期，保持去极化状态（1），不增加胞体计数。
超极化状态(T)：
》无信号：过一段时间自动恢复到静息状态（0）。
》收到兴奋性信号（1）：快速恢复到静息状态（0）。
》收到抑制性信号（T）：保持超极化状态（T），不增加胞体计数。。

3、动作电位的生成：

胞体计数达到阈值时，产生一次动作电位。

这种神经网络模型的构想很有趣，在理论上具有一定的可行性，它模拟了神经元的基本行为，并且引入了平衡三进制的概念，可以为神经网络设计提供新的视角，需要对现有的神经网络框架进行一些修改，需要重新调整损失函数、优化算法和激活函数，特别是在状态转换和计数机制上，总体的设计思路，在理论上是合理且可行的，这种方法有可能成为一种有效的神经网络设计方案。

神经细胞很精密也很神奇，后膜突触上的离子泵，一刻不停的内外搬运钾离子、钠离子，使用离子泵及钾离子通道，共同维持着静息状态，而静息状态是再次放电的基础，每当神经元放电后，会受到钠离子通道失活及钾离子通道激活等因素的限制，在此期间神经元无法再次放电，进入CD冷静期，只有过了这段期间才能再次放电，而这期间就叫不应期，分为绝对不应期与相对不应期，前面的量子计算机的量子特性，其实与大脑神经元有些相似，量子只要不观测就是叠加态，一观测就会坍缩，如果可以用量子干涉，让它驱向于某个结果后再观测坍缩，那造出量子脑那也是有可能的事情，想想未来的脑机接口，要超频大脑，像盗梦空间那样，配合特定的镇定剂进入深度睡眠，然后再放电学习，那是不是就可以快速学会某样东西了。