Description of how it is possible to connect a humen neural network with electronics, make it learn and answers commands. "Cremino" is the first hybrid human-electronic creature.

1. LiVinG NeTWorkS LaB
 Dal 2002 il Living Networks
Lab (Dipartimento di Scuenze
dell’Informazione - Università
di Milano) lavora con culture
di neuroni su MEA (array di
microelettrodi)
 Il gruppo è composto da
fisici, elettronici, informatici e
biotecnologi, con il supporto
di un laboratorio biologico
esterno.

2. LiVinG NeTWorkS LaB
 Obiettivo del gruppo è lo sviluppo della ricerca nel
campo della biologia computazionale, della bionica e
dell’Intelligenza Artificiale.
 Il gruppo ha effettuato molti esperimenti sullo sviluppo e
l’analisi di strutture organizzate di reti neurali biologiche
adese a supporto elettronico.

3. Ambiti di ricerca
 Ricerca in campo neurofisiologico:
metodo di decodifica di segnali provenienti da reti di
neuroni; non esistono ad oggi interpretazioni
sperimentali della semantica dei segnali gestiti da reti
di cellule nervose
 Ricerca in campo robotico:
sistema bionico in grado di apprendere e di guidare
attuatori

4. Ambiti di ricerca
 Ricerca nel campo delle reti neurali artificiali (ANN):
implementazione di una rete software
autoorganizzante in grado di fornire un output esplicito
e di funzionare in tempo reale
 Ricerca nel campo del supporto dell’handicap:
metodo per implementare in futuro protesi
direttamente impiantate nel sistema nervoso centrale
per sostituire porzioni di cervello danneggiate e/o
guidare arti naturali o artificiali

5. Struttura del neurone
 La scoperta della struttura
del neurone risale al 1965
(Deiters)
 Il neurone è dotato di un
soma, di un assone, dei
dendriti e delle sinapsi
 Ramòn y Cajal evidenzia i
dendriti e gli assoni con il
metodo di Golgi

6. Rete di neuroni

7. La trasmissione
dei segnali neurali
 La trasmissione dei
segnali nei neuroni
avviene per via
elettrochimica
 L’arrivo di un segnale
elettrico libera dei
neurotrasmettitori che
attraversano la fessura
sinaptica e vengono
riconvertiti in segnali
elettrici

8. La trasmissione
dei segnali neurali

9. Il potenziale d’azione (spike)
 Il potenziale d’azione è il
segnale che si propaga
attraverso le cellule neurali
lungo l’assone
 Si innesca quando il
potenziale di membrana si
allontana dal suo valore di
riposo superando una
certa soglia

10. Modello del potenziale d’azione
A.C. Hodgkin e A.F. Huxley
nel 1952 hanno aperto le
porte ad una comprensione
dettagliata di come i segnali
elettrofisiologici siano
trasmessi all'interno del
sistema nervoso
n indica la frazione di canali K+ (potassio) aperti, m la frazione di canali
Na+ (sodio) attivati, h la frazione di canali Na+ (sodio) inattivati

11. Studio della codifica
dell’informazione neurale
 Lo studio della codifica dell’ informazione neurale è
basata sull’ implementazione di analisi statistiche
 Attualmente si ritiene che la maggior partedelle
informazioni rilevanti, se non tutte, siano contenute nel
tasso medio di “firing” del neurone
 Oltre al firing rate si considera l’Inter Spike Interval (ISI)
che è l’intervallo temporale che intercorre tra due spikes
successivi.

12. Tecniche di misura del
segnale neurale
 Gran parte della moderna neurofisiologia è basata su
studi sperimentali con tecnica patch-clamp
 Il metodo del patch-clamp risale al 1983 (Sakmann
and Neher), ed è effettuato tramite una micropipetta di
vetro
 Misura il potenziale a cavallo della membrana cellulare
 Misura anche il potenziale all’interno della membrana
cellulare se si perfora la membrana

13. Interfacciamento fra neuroni e
circuiti elettronici
 Nei primi anni novanta fu stabilita per la prima
volta un’interfaccia elettrica tra cellule nervose e
microstrutture semiconduttrici, utilizzando i
neuroni delle sanguisughe, uniti a transistor
disposti su una piastra di silicio (Fromherz)
 In seguito Fromherz ha approfondito la natura
della giunzione neurone-silicio perfezionando la
tecnica di interfacciamento

14. Interfacciamento fra neuroni e
circuiti elettronici
 Nel 2000 un team di ricercatori della
Northwestern University di Chicago,
dell’Università dell’Illinois e dell’Università di
Genova ha creato una creatura ibrida costituita da
un corpo meccanico controllato dal cervello di
lampreda marina
 Nel 2002 Fromherz ha coltivato delle cellule
nervose su elettrodi di silicio: le cellule nervose
hanno formato sinapsi con gli elettrodi di silicio
che rispondevano a stimoli elettrici

15. Interfacciamento fra neuroni e
circuiti elettronici
 Nel 2003 il gruppo della Duke University è riuscito
a collegare 320 microelettrodi alle cellule nel
cervello di una scimmia, permettendo di tradurre
direttamente i segnali elettrici in istruzioni per il
computer, in grado di spostare un braccio
robotico
 Nel 2005 il gruppo del SISSA di Trieste ha
sperimentato la possibilità di utilizzare i neuroni
su MEA come “neurocomputers” in grado di
filtrare delle immagini digitali

16. Il nostro progetto
 Strutturare reti di neuroni biologici in forma di
ANN.
 Ipotizzare una forma di apprendimento di questo
sistema ibrido attraverso l’immissione iterata di
pattern digitali secondo la tecnica ANN
 Decodificare i segnali neurali di output attraverso
una ANN (ITSOM) e con questi guidare gli
attuatori di un robot

17. Il nostro progetto
 Coltivazione sul MEA delle cellule staminali che sono state fatte differenziare in neuroni umani.
 Creazione della rete di Kohonen e di Hopfield su MEA
 La configurazione delle reti è stata scelta dopo una simulazione software su reti artificiali di Kohonen e di Hopfield, in modo da valutare il numero
minimo di neuroni necessari a classificare delle semplici immagini

18. Il sistema hardware/software
 Abbiamo sviluppato un sistema che
interfaccia le cellule attraverso
l’adesione diretta a MEA
(MultiElectrode Arrays)
 Un MEA è un disco di Petri di vetro
in cui sono inseriti piccolissimi
elettrodi. Ciascun elettrodo è
connesso per mezzo di una traccia
isolata ad un connettore esterno.

19. Il sistema hardware/software
 Il MEA permette la
registrazione dell’attività delle
cellule simultaneamente da
diversi canali
 Può registrare a lungo
l’attività cellulare senza
danneggiare le cellule
 E’ adatto ai nostri
esperimenti perché permette
di studiare il comportamento
dinamico di un’intera rete di
neuroni

20. Il sistema hardware/software
 Il sistema è stato cambiato
e migliorato molte volte,
adottando man mano
schede di acquisizioni più
potenti e controller dedicati

21. Il sistema hardware/software
 Al momento usiamo un
sistema avanzato National
Instruments:
 Rack esterno PXI 1031
con board DAQ ad alta
velocità PXI 6251 (16 input
analogici, 24 Digital I/O, 2
output analogici) , velocità
di campionamento 1.25
MS/s
 Labview 8.0 per la
gestione della scheda e
della regsitrazione dei
segnali

22. Il sistema hardware/software
 Un controller dedicato
progettato dal nostro
gruppo permette di
preamplificare i segnali
neurali e stimolarli con
pattern digitali

23. I neuroni
•Fino ad oggi abbiamo usato
cellule staminali neurali
•Le cellule vengono piastrate alla
densità a 3500 celle/cm2 in un
mezzo contenente i fattori di
crescita EGF e FGF-2
•Le cellule sono coltivate per 15
giorni per ottenere neuroni maturi
•Abbiamo coltivato le cellule
direttamente su MEA ricoperto da
substrato di matrigel

24. Il nostro progetto
 E’ stato sviluppato un programma di controllo del
sistema in linguaggio Labview, utilizzato per:
 il controllo del flusso degli esperimenti
 la generazione dei pattern sensoriali simulati
 l’acquisizione dei segnali
 l’interfacciamento con la rete neurale
 la generazione dei segnali di controllo degli
attuatori del robot
 E’ stata sviluppata una rete neurale in linguaggio
C sotto forma di DLL ed è stata linkata a Labview

25. Il nostro progetto
 Il differenziamento avviene su MEA.
 I nostri MEA Panasonic hanno 64 microelettrodi ITO
(Indium Tin Oxide) – platino.
 La dimensione dei microelettrodi è 20 µ, la distanza
interpolare 100 µ.

26. Il nostro progetto
 Si sono creati dei collegamenti per ricreare la rete di Hopfield e di Kohonen
 Kohonen: 8 neuroni di input, 3 neuroni dello strato competitivo
 Hopfield: 8 neuroni di input/output
Kohonen Hopfield

27. Il nostro progetto
 Il software di stimolazione crea una serie di bitmap
composte da 3 x 3 bit che rappresentano o un
segnale “0” o un segnale “1”
 Si utilizzano gli 8 punti esterni
Carattere 0 Carattere 1
11111111 00001111

28. I pattern digitali
 Oltre allo “0” e “1” perfetto si considerano anche zeri e uni con rumore
0 con rumore
1 con rumore

29. L’apprendimento
 Le stimolazioni vengono dati con impulsi di +/-35 mV a frequenze diverse
 La durata del singolo impulso è stata impostata a 1.25 ms o 25 ms nei diversi esperimenti

30. Analisi dei risultati

31. Analisi dei risultati

32. Analisi dei risultati

33. Analisi dei risultati
 I segnali misurati sono stati successivamente elaborati utilizzando la RQA (Recurrence Quantification Analysis).
 Questo strumento di analisi non lineare analizza il grado di autoorganizzazione di un segnale
 Si costruisce una serie di M vettori di lunghezza N ricavati prendendo porzioni di segnale al tempo t+i (i=i+k),ottenendo una matrice di valori.
 Si calcola la distanza euclidea fra i punti costituiti dalle righe della matrice, e queste vengono codificate attraverso dei colori (Recurrence Plots)

34. Analisi dei risultati
 Essenzialmente, il Recurrence Plot è una tabella di codici di colori, in cui i colori caldi (giallo, rosso ed arancio) possono essere associati con le piccole distanze fra i
vettori, mentre i colori freddi (azzurro, nero) possono essere usati per mostrare le grandi distanze.
 Per segnali random la distribuzione dei colori è completamente uniforme. Quanto più deterministico è il segnale, tanto più strutturato sarà il Recurrence Plot

35. Recurrent Plots
 Segnale di output prima della
somministrazione dei pattern
 Il grafico è costituito da colori
freddi e disorganizzati che
segnalano la mancanza di
autoorganizzazione della
serie temporale.

36. Recurrent Plots
 Segnale di output durante
la somministrazione dei
pattern
 disorganizzato anche se
con un inizio di
autoorganizzazione

37. Recurrent Plots
 Segnale di output subito dopo la
fine della somministrazione di un
pattern sensoriale simulato
 Si vedono ampie bande uniformi di
colore giallo e rosso, mentre i
colori freddi sono limitati agli
estremi del diagramma

38. Recurrent Plots
 Segnale di output dopo la fine della
somministrazione dei pattern
sensoriali simulati
 Si vedono ampie bande uniformi di
colore giallo e rosso, mentre i colori
freddi sono limitati agli estremi del
diagramma, a dimostrazione di un
altissimo grado di autoorganizzazione

39. Analisi dei risultati
 Sia l’analisi dei segnali elettrici che i Recurrent Plots concorrono alle stesse conclusioni :
 La rete di neuroni risponde in modo simile a stimolazioni simili, risponde in modo diverso a stimolazioni diverse
 I risultati raggiunti consentono di affermare che la rete di neuroni è in grado di “apprendere” stimoli sensoriali simulati autoorganizzandosi, e rispondendo adeguatamente ai pattern anche successivamente all’apprendimento

40. Decodifica dei segnali
neurali attraverso una rete
neurale artificiale
 Abbiamo quindi pensato possibile un passo
successivo: offrire un’interpretazione agli output
generati dai neuroni
 Sviluppo di una rete autoorganizzante ITSOM
(Inductive Tracing Self Organizing Map) per la
decodifica dei segnali neuronali
 La rete ITSOM è un’ evoluzione della SOM
(Kohonen)

41. La rete SOM
Caratteristiche della rete SOM:
• Rete ad apprendimento non
supervisionato.
• Composta da due strati: uno
strato di input e uno strato
competitivo o di Kohonen
• Tutti i neuroni di input sono
connessi ad ogni neurone
dello stato di output.
• Autoorganizzazione di insiemi
di dati n-dimensionali su una
mappa k-dimensionale ( k <<
n ) (quantizzazione vettoriale)

42. La rete SOM
Apprendimento e classificazione della rete di Kohonen:
 Regola Winner Take All
 Calcolo delle distanze tra segnali di input x e pesi
delle connessioni wi.
 Il neurone vincente è quello con distanza minima,
premiato con una variazione dei pesi
wi _ new = wi _ old + α ( x − wi _ old ) zi

43. Problematiche della SOM
 Per input strettamente non lineari lo strato di output
non riesce a mappare correttamente l’input
 Difficoltà di pervenire a convergenza certa non
essendoci la possibilità di stabilire un errore della rete
per ciascuna epoca
 Output non è esplicitato e necessita di un algoritmo per
estrarlo
PUNTI DI FORZA DELLA ITSOM
 Funziona in tempo reale
 Non necessita di convergenza
 Esplicitazione dell’output

44. La rete ITSOM
 Osservando la sequenza temporale dei neuroni vincenti di
una SOM si nota che questa tende a ripetersi creando una
serie temporale, costituente attrattori caotici, e che questi
caratterizzano univocamente l’elemento di input che gli ha
prodotti
 La rete ITSOM memorizza la serie temporale dei neuroni
vincenti e successivamente li analizza col metodo degli z-
score

45. Lo z-score
I punteggi cumulativi relativi a ciascun input vengono
normalizzati secondo la distribuzione della variabile
standardizzata “z”
• x = numero vittorie per il neurone
x −μ
z = • μ = media dei punteggi sui vari neuroni
σ • σ = scarto quadratico medio

46. Lo z-score
Fissata una soglia τ, 0<τ<1 z = 1 per z > τ
z = 0 per z ≤ τ
 In questo modo ogni configurazione dei neuroni vincenti è
rappresentata da un numero composto da zeri e uni
 Diventa poi immediato confrontare tra loro questi numeri
binari detti codice ITSOM.

47. Lo z-score
CODICI Z-SCORE
FASE DI TRAINING FASE DI TESTING
Generazione Classificazione dei segnali
degli z-score in funzione degli z-score
di riferimento acquisiti nella fase di training

48. Lo z-score
 Ad esempio nella tabella sotto sono riportati i codici generati dalla ITSOM che elabora un set di segnali emessi
dalle cellule stimolate con lo stesso pattern R
 La prima volta vince 10 volte il neurone 2, 5 volte il neurone 5, 6 volte il neurone 6, una volta il neurone 7 e così
via
 La seconda volta vince 1 volta il neurone 2, 6 volte il neurone 5, 4 volte il neurone 6 e così via

49. Fasi dell’esperimento
 Strutturazione di una rete di Hopfield
 Generazione dei segnali e stimolazione dei neuroni biologici, registrazione della loro
risposta.
 Inoltro dei dati alla rete neurale artificiale ITSOM:
 fase di training
 fase di testing
 Utilizzo dell’output della ITSOM per pilotare gli attuatori del Robot.

50. I neuroni
 Nell’ultimo esperimento
abbiamo stimolato la rete per
mezzo di pattern direzionali
 I pattern sono bitmap 8x8
 La durata del bit è 300 ms
 Ciascuna stimolazione è
seguita da una pausa di 1 s
in cui una Artificial Neural
Network elabora i segnali
 L’impulso di stimolazione è
un segnale è un segnale
alternato a basso voltaggio
(+/- 30 mV, 733 Hz)

51. Generazione di stimoli sensoriali simulati
 Pattern: 8 bit per 8 bit.
 Ogni bit ha la durata di 300 ms
 Ogni stimolazione della durata complessiva di
2.4s è seguita da 1s di pausa durante alla fine
della la rete neurale registra gli output cellulari.
 Il segnale utilizzato per stimolare le cellule è
un segnale alternato a bassa tensione (+/- 30
mV) a 733 Hz.

52. Generazione di stimoli
sensoriali simulati
Fase di Training:
 Somministrazione ripetuta di stimoli sensoriali simulati ai neuroni biologici
 Acquisizione (10 kHz) del segnale dei neuroni biologici
 Generazione degli z-score di riferimento della rete ITSOM

53. Generazione di stimoli
sensoriali simulati
Fase di Testing:
 Somministrazione di uno stimolo sensoriale simulato prescelto ai neuroni biologici
 Acquisizione (10 kHz) del segnale dai neuroni biologici
 Generazione dello z-score e confronto con quelli di riferimento
 Generazione dei comandi per pilotare il Robot

54. I neuroni
I pattern vengono
somministrati alla rete
biologica come treni di impulsi
elettrici in modo da
rappresentare i punti bianchi
(bit 1) o bianchi (0) della
bitmap

55. I neuroni
•Gli impulsi sono somministrati
simultaneamente su tutti gli elettrodi in
forma di pattern
•Le cellule sono stimolate da impulsi
elettrici con differenti voltaggi e
frequenze
•Le stimolazioni sono somministrate con
impulsi di 35 mV
•La durata di un impulso è stata posta da
1.25 ms a 25 ms in differenti esperimenti

56. La creatura bionica
 I neuroni sono
connessi ad una
Artificial Neural
Network che
decodifica i loro
segnali dopo le
stimolazioni
 Il sistema ibrido
(artificiale/biologico)
guida un minirobot

57. La creatura bionica
 Dopo una sequenza di stimolazioni di training,
vengono somministrati alla rete biologica dei
pattern direzionali random in forma di comandi
 LaITSOM decodifica i segnali neurali e il
minirobot esegue i comandi

58. Parametri di taratura
della ITSOM

59. Risultati
Direzioni
Input 1-400ms Totale
Pattern F Pattern B Pattern L Pattern R
Classificati correttamente 4 5 3 3 15
Non classificati correttamente 1 0 3 3 7
Non classificati 0 1 1 1 3
Totale dei pattern forniti 5 6 7 7 25
% Classificati 100% 83,33% 85,71% 85,71% 88%
% Classificati correttamente 80% 83,33% 42,86% 42,86% 60%
Percentuale di classificazione nelle quattro direzioni
100%
80%
60%
Non classificati
40% Non classificati correttamente
20% Classificati correttamente
0%
Pattern F Pattern B Pattern L Pattern R Totale
Direzioni

60. Risultati
Analizzando i dati ottenuti con il metodo delle matrici di
confusione possiamo calcolare la sensibilità e la
specificità per valutare la bontà del nostro classificatore
Per ogni matrice di confusione si possono definire quattro
importanti parametri:
Falso Positivo (FP): è la probabilità che un pattern sia stato erroneamente
classificato come appartenente ad un altro pattern.
Falso Negativo (FN): è la probabilità che uno specifico pattern sia stato
erroneamente classificato non nel suo specifico pattern.
Vero Positivo (VP): è la probabilità che un pattern sia stato correttamente
classificato come appartenente ad uno specifico pattern.
Vero Negativo (VN): è la probabilità che un pattern sia stato correttamente
classificato come non appartenente ad uno specifico pattern.

61. Risultati
Definiamo quindi:
 Sensibilità = (VP / ( VP + FN))*100
 Specificità = (VN / (VN + FP))*100
Matrice di confusione pattern F
F Non F
F VP FN
Non F FP VN

62. Risultati
Matrice di confusione pattern F Matrice di confusione pattern B
F Non F B Non B
F 4 0 B 5 6
Non F 1 17 Non B 0 11
Matrice di confusione pattern L Matrice di confusione pattern R
L Non L R Non R
L 3 1 R 3 0
Non L 3 15 Non R 3 16
Sensibilità = (TP / ( TP + FN))*100 Specificità = (TN / (TN +
FP))*100
Pattern F Pattern B Pattern L Pattern R Totale
Sensibilità 100% 45,45% 75% 100% 80,11%
Specificità 94,44% 100% 83,33% 84,21% 90,50%
Il modello di classificatore appare soddisfacente

63. Risultati
 Sviluppo di un sistema hardware/software in grado di
interagire con i neuroni
 Sviluppo di un sistema di apprendimento di percezioni
simulate di una rete di neuroni umani, correttamente
allenata.
 Sviluppo di una opportuna ANN per la decodifica delle
reazioni dei neuroni
 Sperimentazione di un sistema robotico ibrido in grado
di guidare un attuatore

64. Risultati
 Attualmente in neurofisiologia si analizza solo la
frequenza di spike e non si arriva alla decodifica
semantica dei segnali neuronali
 Non esistono teorie consolidate sull’apprendimento di
reti neurali biologiche
 Abbiamo sviluppato un sistema innovativo di
decodifica dei segnali provenienti da reti di neuroni
biologici e un sistema di apprendimento basati su
riscontri sperimentali
 Anche il risultato sperimentale conseguito, ossia il
movimento di un robot guidato dall’output di neuroni
biologici in base all’apprendimento di pattern sensoriali
simulati, non ha precedenti in letteratura.

65. Valutazione comparativa
con la letteratura
 Nella letteratura esaminata in precedenza si è cercato di
affidare ad un cervello già funzionante il compito di
autoorganizzarsi sotto l’azione di stimoli esterni
Nel nostro studio si è giunti a:
 Strutturare una rete di neuroni a priori disorganizzata
seguendo la struttura di una ANN
 Farle apprendere stimoli sensoriali simulati
 Decodificare i segnali di output della rete

66. La creatura bionica
Command Robot
Left Left
Forward Backward
Backward Backward
Left Left
Left Left

67. La creatura bionica
 “Cremino” è la prima creatura ibrida dotata di un
piccolo cervello umano
 Scopo di questa ricerca è
 Raggiungere una migliore comprensione del
meccanismo neurofisiologico della memoria e
dell’apprendimento
 Sviluppare un’interfaccia efficiente fra neuroni ed
elettronica
 Compiere un progresso nello sviluppo di protesi
neuroelettroniche

68. Problemi da risolvere
 Identificazione sicura dei neuroni che formano la rete
 Persistenza in vita delle cellule
 Ottimizzazione della decodifica dei segnali
neurofisiologici
 Crescita di complessità del sistema in modo da
effettuare esperimenti a ciclo chiuso con sensori
montati sul robot
 Miniaturizzazione

69. Sviluppi in corso
 Progetto europeo FLASHPOM: progettazione ed
implementazione di MEA speciali con piste litografate
e strato di polimeri che guidano le cellule a depositarsi
solo sopra gli elettrodi senza spostarsi
 Ottimizzazione della ITSOM studio di un nuovo
algoritmo di identificazione degli attrattori caotici
 Realizzazione di una ITSOM integrata in HW

70. Pubblicazioni
 R. Pizzi, D. Rossetti, G. Cino,D. Marino, and A. Vescovi, “A CULTURED HUMAN NEURAL
NETWORK DRIVES A ROBOTIC ACTUATOR", Biosystems Journal, Elsevier ed., in corso
di pubbl.
 R. Pizzi, “ARTIFICIAL MIND”, in: Reflexing Interfaces: the Complex Coevolution of
Information Technology Ecosystems , IGI group, Hershey, PA, USA
 R. Pizzi, G. Cino, F. Gelain, D. Rossetti and A. Vescovi, "LEARNING IN HUMAN NEURAL
NETWORKS ON MICROELECTRODE ARRAYS", Biosystems Journal, Volume 88, Issues
1-2, March 2007, Pages 1-15, Elsevier ed.
 Rita M.R. Pizzi, Danilo Rossetti, Giovanni Cino, Daniela Marino and Angelo L. Vescovi, “A
BIOLOGICAL NEURAL NETWORK DRIVES A ROBOTIC ACTUATOR”, Proc. CISI06,
Ancona 26–29 settembre 2006.
 R. Pizzi, A. Fantasia, F. Gelain, D. Rossetti, G. Cino and A. Vescovi, “HOPFIELD AND
KOHONEN MODELS: AN IN VIVO TEST”, Proc. International Meeting on Computational
Intelligence Methods for Bioinformatics and Biostatistics, Perugia 15-17 settembre 2004,
Kluwer ed.
 R. Pizzi, D. Rossetti, G. Cino, A . Vescovi, “ANOMALOUS FINDINGS IN CULTURED
NEURONS IN PRESENCE OF LASER PULSES”, in fase di revisione su: Biosystems
Journal, Elsevier
 R. Pizzi, D. Rossetti, G. Cino, A.L. Vescovi and W. Baer, “NEURONS REACT TO
ULTRAWEAK ELECTROMAGNETIC FIELDS”, Quantum Mind 2007, Salzburg 23-26 Luglio
2007.
 W. Baer, R. Pizzi, THE SEARCH FOR BIOLOGICAL QUANTUM COMPUTER ELEMENTS
accettato a :ICCES'08: International Conference on Computational & Experimental
Engineering and Sciences, Honololu, Hawaii, Marzo 2008