Znanstvenici trenirali žive neurone štakora da izvode AI izračune u stvarnom vremenu

Znanstvenici sa Sveučilišta Tohoku i Future University Hakodate u Japanu objavili su studiju u kojoj su uzgojene kortikalne stanice štakora naučili da samostalno generiraju složene vremenske signale u stvarnom vremenu. Prema radu objavljenom 12. ožujka u časopisu Proceedings of the National Academy of Sciences, živi neuroni povezani su s visokogustom mikroelektrodnom mrežom i mikrofluidnim uređajima u zatvorenom povratnom sustavu koji je mogao proizvoditi periodične i kaotične valne oblike bez ikakvog vanjskog ulaznog signala.

Sustav je pratio neuronske impulse preko polja od 26.400 elektroda s razmakom od 17,5 mikrometara. Ti su signali potom filtrirani u kontinuirani izlaz i dekodirani kroz linearnu izlaznu slojnu obradu. Dobiveni izlaz vraćan je natrag neuronima kao električna stimulacija, čime je zatvoren povratni krug koji se odvijao otprilike svakih 333 milisekunde. Težine očitanja optimizirane su u hodu algoritmom FORCE, odnosno First-Order Reduced and Controlled Error learning, koji je neprestano prilagođavao dekoder kako bi smanjio razliku između izlaza mreže i ciljnog vala.

Ključni element eksperimenta bila je uporaba PDMS mikrofluidnih filmova koji su ograničili način na koji se neuroni povezuju. Istraživači navode da bez takvih fizičkih ograničenja uzgojene neuronske kulture stvaraju guste, vrlo sinkronizirane mreže koje pucaju gotovo u istom ritmu, a upravo takve homogène mreže nisu uspjele naučiti nijedan od ciljanih signala. Drugim riječima, struktura mreže bila je jednako važna kao i sam neuronski materijal.

U pokusu su tijela neuronskih stanica bila smještena u 128 kvadratnih udubina, svaka veličine otprilike 100 x 100 mikrometara, pri čemu je u svakoj prosječno bilo 14,6 neurona. Udubine su bile povezane mikrokanalima u dvije konfiguracije: mrežastom, s jednolikim vezama prema najbližim susjedima, i hijerarhijskom, sa rjeđim vezama na više razina. Oba tako oblikovana sustava znatno su smanjila parne neuronske korelacije u odnosu na neoblikovane kulture — na 0,11 i 0,12 naspram 0,45 — čime je povećana dimenzionalnost dinamike mreže.

Iako su obje konfiguracije radile, mrežasti raspored pokazao se boljim od hijerarhijskog u svim ciljnim valnim oblicima. Istraživači to povezuju s gušćim međumodularnim vezama koje su davale višu frekvenciju okidanja, pa je linearni dekoder imao više signala za obradu. Sustav je tako naučio generirati sinusne valove s periodima od 4, 10 i 30 sekundi, kao i trokutaste i pravokutne valove, a ista se priprema kulture mogla ponovno trenirati za osciliranje na različitim frekvencijama.

Znanstvenici su pokazali i da sustav može aproksimirati Lorenzov atraktor, trodimenzionalnu kaotičnu trajektoriju. Tijekom faze učenja parne korelacije između predviđenih i ciljnih signala bile su iznad 0,8 u svim dimenzijama, što sugerira da žive neuronske mreže mogu služiti kao računalni resurs za vremenski složene zadatke.

Hideaki Yamamoto, profesor na Research Institute of Electrical Communication pri Sveučilištu Tohoku, u priopćenju je rekao da ovaj rad pokazuje kako žive neuronske mreže nisu samo biološki značajni sustavi nego i potencijalno novi računalni resursi. Iako je riječ o laboratorijskom eksperimentu, rezultati se predstavljaju kao korak prema budućim sučeljima mozak-računalo i drugim oblicima biotehnološkog računalstva, u kojima bi živo tkivo moglo igrati aktivniju ulogu u obradi informacija.