2 註解
生物計算機是以生物界處理問題的方式爲模型的計算機。目前主要有：生物分子或超分子芯片、自動機模型、仿生算法、生物化學反應算法等幾種類型。
計算機工業在近幾十年內飛速發展，其速度令人瞠目。然而目前晶體管的密度已近當前所用技術的理論極限，晶體管計算機能否繼續發展下去？所以，人們在不斷尋找新的計算機結構。另一方面，人們在研究人工智能的同時，借鑑生物界的各種處理問題的方式，即所謂生物算法，提出了一些生物計算機的模型，部分模型已經解決了一些經典計算機難以解決的問題。
生物計算機目前主要有以下幾類：
3 生物分子或超分子芯片
立足於傳統計算機模式，從尋找高效、體微的電子信息載體及信息傳遞體入手，目前已對生物體內的小分子、大分子、超分子生物芯片的結構與功能做了大量的研究與開發。“生物化學電路” 即屬於此。
4 自動機模型
以自動理論爲基礎，致力與尋找新的計算機模式，特別是特殊用途的非數值計算機模式。目前研究的熱點集中在基本生物現象的類比，如神經網絡、免疫網絡、細胞自動機等。不同自動機的區別主要是網絡內部連接的差異，其基本特徵是集體計算，又稱集體主義，在非數值計算、模擬、識別方面有極大的潛力。
4.1 計算神經網絡
早在1943年心理學家W. McCulloch和數學家W. Pitts合作提出神經元的二值邏輯模型。1949年D. Hebb提出了改變神經元連接強度的學習規則，這一規則至今在各種網絡模型中起着重要作用。1962年F. Rosenblatt提出感知機模型。1982年美國物理學家J.Hopfield提出一種全新的神經網絡模型 ，它體現了D. Marr的計算神經理論、耗散結構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，使網絡的穩定性有了嚴格的判斷依據，模型具有理想記憶、分類與誤差自動校正等智能。Hopfield模型的動力學特徵的分析提供了有力的研究方法。
神經網絡系統模擬大腦的工作方式，由大量簡單的神經元廣泛相互連接而成，形成一種拓撲結構。大腦具有相當高級的處理信息的能力，與傳統計算機模型相比，大腦具有如下特徵：首先是大規模並行處理能力，其次是大腦具有很強的“容錯性”和聯想功能，第三是大腦具有很強的自適應能性和自組織性。在這些方面，目前的傳統計算機模型是難於實現的。
具體的神經元模型主要是如何更好地反應神經元在刺激下發放電位的本質。大多數模型把神經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。每個神經元只能是興奮態或抑制態，任一神經元的輸入是其他神經元的輸出通過突觸作用的總和。如果考慮興奮態和抑制態之間的過渡情況，可以採用S型曲線來表徵神經元的非線性輸入和輸出特性，如J. Hopfield模型；也可以按照統計物理學的概念和方法，神經元的輸入由神經元狀態更新的概率來決定，如波爾茲曼機模型；還可以在神經元的輸入與輸出層之增加中間變換層，如感知機模型；增加反向誤差校正通道的反傳播模型等等。通過對神經元的形態與功能的不同表達，可以產生不同的模型。
6 生物化學反應算法
立足於可控的生物化學反應或反應系統，利用小容積內同類分子高拷貝數的優勢，追求運算的高度並行化，從而提供運算的效率。DNA計算機 屬於此類。
6.1 DNA計算機
1994年,美國加州大學的L. Adleman博士在《Science》上公佈了DNA計算機的理論，併成功地在DNA溶液的試管中進行了運算實驗。L. Adleman博士的DNA計算機完全是一種新的觀念。其基本設想是：以DNA鹼基序列作爲信息編碼的載體，利用現代分子生物學技術，在試管內控制酶作用下的DNA序列反應，作爲實現運算的過程；即以反應前的DNA序列作爲輸入的數據，反應後的DNA序列作爲運算的結果。DNA計算機是一種化學反應計算機。到目前爲止，已有人通過DNA計算機模型進行實驗解決了一些基本的NP問題。如L. Adleman博士做的對貨郎擔問題（哈密頓圖問題，HPP）的計算，和普林斯頓大學查科普頓作的可滿足性問題（SAT問題） 。所謂NP問題 ，是指人們根據問題類的算法複雜程度的劃分而言，與P問題相對。P問題是指算法複雜性隨着問題規模的增長而呈多項式增長的算法，是可以計算的。NP問題是指指算法複雜性隨着問題規模的增長而呈指數增長的算法，是實際上不可計算的。DNA計算機的構想是一種創新，具有巨大的潛力。DNA計算機運算速度快，其幾天的運算量就相當於計算機問世以來世界上所有計算機的運算總量。它的存儲容量非常巨大，而耗能卻只有一臺普通計算機的十億分子一。當然，DNA計算機畢竟只是一種理論設想，在很多方面還相當不完善。主要表現在：
1. 構造的現實性及計算潛力。DNA計算機以編碼後的DNA序列作爲輸入，在試管內反應完成計算，反應產物及溶液給出了全部解空間，但是最優解如何與其他解分離，怎樣輸出，是一個技術性極強的問題。目前還沒有令人滿意的輸出手段。隨着求解問題規模的擴大，輸出將成爲DNA計算機的瓶頸。
2. 運算過程中的錯誤問題。在擴增DNA的過程中，有較高的錯配率，而且大量的DNA在幾百步的反應中也會產生一些支路反應。錯誤會產生僞解，並增加最優解輸出的難度。