[論文レビュー] Neuromorphic Neuromodulation: Towards the next generation of on-device AI-revolution in electroceuticals

Luis Fernando Herbozo Contreras, Nhan Duy Truong+5 more|arXiv (Cornell University)|Jul 24, 2023

Advanced Memory and Neural Computing被引用数 8

ひとこと要約

要約：論文は、埋め込み型ニューロモジュレーションのための自己完結型のデバイス上学習を備えた閉ループシステムとしてニューロモルフィック・ニューロモデュレーションを提案し、ニューロモルフィックハードウェアとデバイス上学習を通じてデータテレメトリ、電力消費、レイテンシの低減を目指す。

ABSTRACT

Neuromodulation techniques have emerged as promising approaches for treating a wide range of neurological disorders, precisely delivering electrical stimulation to modulate abnormal neuronal activity. While leveraging the unique capabilities of artificial intelligence (AI) holds immense potential for responsive neurostimulation, it appears as an extremely challenging proposition where real-time (low-latency) processing, low power consumption, and heat constraints are limiting factors. The use of sophisticated AI-driven models for personalized neurostimulation depends on back-telemetry of data to external systems (e.g. cloud-based medical mesosystems and ecosystems). While this can be a solution, integrating continuous learning within implantable neuromodulation devices for several applications, such as seizure prediction in epilepsy, is an open question. We believe neuromorphic architectures hold an outstanding potential to open new avenues for sophisticated on-chip analysis of neural signals and AI-driven personalized treatments. With more than three orders of magnitude reduction in the total data required for data processing and feature extraction, the high power- and memory-efficiency of neuromorphic computing to hardware-firmware co-design can be considered as the solution-in-the-making to resource-constraint implantable neuromodulation systems. This perspective introduces the concept of Neuromorphic Neuromodulation, a new breed of closed-loop responsive feedback system. It highlights its potential to revolutionize implantable brain-machine microsystems for patient-specific treatment

研究の動機と目的

• クラウド支援から完全なデバイス上のニューロモルフィック閉ループモジュレーションによる個別化治療へのシフトを動機づける。
• 外部計算と連続データテレメトリに依存する現在のオープン/クローズドループシステムの制約を強調する。
• リアルタイムで患者特異的な刺激を可能にするためのデバイス上学習と省エネルギーハードウェアの重要性を主張する。

提案手法

• 埋め込みデバイス向けに従来のフォン・ノイマンアーキテクチャと生体に触発されたニューロモルフィックアーキテクチャを比較する。
• ニューロモルフィックチップ、シナプス可塑性、患者データへの局所適応を含むデバイス上学習を検討する。
• オープンループ、外部CPUベースのクローズドループ、完全にデバイス上のニューロモルフィッククローズドループシステムといった実現可能なニューロモデュレーションアーキテクチャを説明する。
• expert入力を常時必要とせずデバイス上トレーニングを可能にするAURA風の連続学習とラベル生成を導入する。
• 継続学習と破局的忘却に対処するためのSNN（スパイキングニューラルネットワーク）とメタプラスティシティ概念の学習アプローチをレビューする。

実験結果

リサーチクエスチョン

• RQ1 ニューロモルフィックハードウェアは外部データテレメトリに依存せず、埋め込み型ニューロモジュレーションの真のデバイス上連続学習を可能にするか。
• RQ2 エネルギー効率とリアルタイム閉ループ電気治療を最適化するためのアーキテクチャ・アルゴリズムアプローチ（例：SNN、フォワード・フォワード学習、メタプラスティシティ）はどれか。
• RQ3 デバイス上AIの電力、メモリ、レイテンシの点で従来のASIC/GPUベースアプローチとニューロモルフィックソリューションをどう比較できるか。
• RQ4 てんかん予測/検出の自律的デバイス上学習を可能にする多模态センサリングと適応ラベリングの役割は何か。
• RQ5 ニューロモルフィックニューロモジュレーションシステムの臨床展開における実務的な課題と道筋は何か。

主な発見

• ニューロモルフィックアーキテクチャはデータ処理とエネルギー使用の大幅な削減の可能性を提供し、デバイス上での解析と個別化刺激を可能にする。
• オンチップ学習は真に個別化され低レイテンシな閉ループニューロモジュレーションとクラウドデータ伝送の回避によるプライバシー保護に不可欠である。
• AURA風の適応ラベリングはリアルタイム生理検知からのラベルを生成して継続学習を支援し、専門家入力への依存を減らす。
• スパイキングニューラルネットワークとメタプラスティシティ概念は埋め込みデバイスにおける継続学習と破局的忘却に対処する道を提供する。
• 複数のニューロモルフィックハードウェアオプション（TrueNorth、Loihi、Tianjic、SpiNNakerなど）とそれぞれの能力が存在する；医療用埋め込みにはインメモリ計算とデバイス上学習を備えたアーキテクチャを選択することが鍵である。
• 本論は完全に自己完結したニューロモルフィックニューロモジュレーションフレームワーク（図3d）を提案し、応答性を最大化しレイテンシを低減しデバイス小型化を促進することを主張する。