[논문 리뷰] Neuromorphic Neuromodulation: Towards the next generation of on-device AI-revolution in electroceuticals

Luis Fernando Herbozo Contreras, Nhan Duy Truong외 5명|arXiv (Cornell University)|2023. 07. 24.

Advanced Memory and Neural Computing인용 수 8

한 줄 요약

본 논문은 Neuromorphic Neuromodulation을 implantable neuromodulation을 위한 자급자족형(on-device) 학습 폐루프 시스템으로 제안하며, 데이터 텔레메트리, 전력 소비, 지연을 뉴로모픽 하드웨어와 온-디바이스 학습을 통해 감소시키는 것을 목표로 한다.

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

연구 동기 및 목표

• 클라우드 보조에서 완전히 온-디바이스의 뉴로모픽 폐루프 뉴로모듀레이션으로 개인화 치료를 위한 전환을 촉진하는 것.
• 외부 계산과 지속적인 데이터 텔레메트리에 의존하는 현재의 개방-루프/폐루프 시스템의 한계점을 강조한다.
• 실시간, 환자별 자극을 가능하게 하려는 온-디바이스 학습과 에너지 효율적인 하드웨어의 필요성을 주장하며 개인 정보 보호 이점을 강조한다.

제안 방법

• implantable devices를 위한 기존 von Neumann 구조와 생체 영감을 받은 뉴로모픽 구조를 비교한다.
• 뉴로모픽 칩, 시냅스 가소성, 환자 데이터에 대한 로컬 적응을 포함한 온-디바이스 학습을 논의한다.
• 개방-루프, 외부 CPU 기반의 폐루프, 그리고 완전히 온-디바이스의 뉴로모픽 폐루프 시스템 등 실현 가능한 뉴로모듀레이션 아키텍처를 설명한다.
• Constant한 전문가 입력 없이 온-디바이스 학습을 위한 AURA 스타일의 연속 학습 및 라벨 생성 도입을 논의한다.
• 연속 학습과 파국적 망각을 다루기 위한 Spiking Neural Networks(SNNs) 및 메타가소성 개념의 학습 접근법을 검토한다.

실험 결과

연구 질문

• RQ1 뉴로모픽 하드웨어가 외부 데이터 텔레메트리에 의존하지 않고도 implantable neuromodulation에 대해 진정한 온-디바이스 연속 학습을 가능하게 할 수 있는가?
• RQ2 에너지 효율적이고 실시간의 폐루프 전기치료를 지지하는 최적의 아키텍처 및 알고리즘적 접근법(예: SNNs, forward-forward 학습, 메타가소성)은 무엇인가?
• RQ3 온-디바이스 AI의 전력, 메모리, 지연에 대해 전통적인 ASIC/GPU 기반 접근법과 뉴로모픽 솔루션은 어떻게 비교되는가?
• RQ4 발작 예측/탐지에서 자율적 온-디바이스 학습을 가능하게 하는 다중 모달 센싱 및 적응 라벨링의 역할은 무엇인가?
• RQ5 뉴로모노듀레이션 시스템의 임상 배치에 대한 실용적 도전과 경로는 무엇인가?

주요 결과

• 뉴로모픽 아키텍처는 데이터 처리 및 에너지 사용의 큰 감소를 가능하게 하여 온-디바이스 분석 및 개인화된 자극을 가능하게 한다.
• 온칩 학습은 진정으로 개인화된, 저지연 폐루프 뉴로모듀레이션과 클라우드 데이터 전송 회피를 통한 개인정보 보호를 가능하게 하는 데 필수적이다.
• AURA 스타일의 적응형 라벨링은 실시간 생리학적 탐지에서 즉시 라벨을 생성하여 전문가 입력 의존도를 줄이며 연속 학습을 지원할 수 있다.
• Spiking Neural Networks와 메타가소성 개념은 이식 가능한 기기에서의 지속적 학습과 파국적 망각을 다루는 길을 제공한다.
• 다양한 뉴로모픽 하드웨어 옵션(TrueNorth, Loihi, Tianjic, SpiNNaker 등)이 있으며, 메모리 내 컴퓨팅과 온-디바이스 학습이 가능한 아키텍처를 선택하는 것이 의료용 이식에 핵심이다.
• 본 논문은 반응성을 극대화하고 지연을 줄이며 기기 소형화를 촉진하기 위해 Fig. 3d에 제시된 완전 자급자족형 뉴로모픽 뉴로모듀레이션 프레임워크를 옹호한다.