Японские учёные продемонстрировали: выращиваемые на чипах клетки крысиного мозга можно использовать, чтобы выполнять вычисления с помощью машинного обучения

Мнение японского учёного: «Объединяя нейробиологию и машинное обучение, мы открываем путь к новым формам вычислений, использующим внутреннюю динамику биологических систем».

Получается, что клетки крысиного мозга использовали вместо

традиционных технических устройств типа микросхем.

Напомним: машинное обучение (англ. machine learning, ML) — это совокупность методов, направленных на то, чтобы заставить искусственный интеллект (ИИ) учиться и действовать как человек, а также сделать так, чтобы ИИ сам постоянно улучшал свое обучение и способности на основе данных о реальном мире.

Исследовательская группа из Университета Тохоку и Университета будущего в Хакодатэ продемонстрировала, что живые биологические нейроны можно обучить выполнять задачу контролируемого обучения временным закономерностям, которую ранее решали только искусственные системы.

Живые нейроны крысы объединили с электронными вычислительными мощностями.

Интегрировав культивируемые нейронные сети в систему машинного обучения, команда учёных показала, что эти биологические системы могут генерировать сложные сигналы временных рядов.

Говоря по простому: это значит, что их можно использовать для вычислений. Это является значительным шагом вперед как в нейробиологии, так и в биоинформатике.

Исследование, опубликованное в Proceedings of the National Academy of Sciences, демонстрирует новое взаимодействие между живыми нейронными системами и вычислительной техникой.

Online supervised learning of temporal patterns in biological neural networks under feedback control

doi 10. 1073/ pnas. 2521560123

Полученные результаты позволяют прогнозировать, что биологические нейронные сети (БНС) могут стать жизнеспособной альтернативой или дополнением к существующим моделям машинного обучения.

Искусственные нейронные сети (ИНС) уже давно используются в машинном обучении и нейроморфных системах.

Нейроморфные системы (от греч. neuron — нерв и morphe — форма) — это тип электронных схем, которые имитируют структуру и принципы работы нервной системы (мозга) человека и животных.

Простыми словами, это "железо", которое работает как мозг: оно использует множество простых процессоров (нейронов), соединенных между собой настраиваемыми связями (синапсами).

В данном случае вместо искусственных нейронов использовались нейроны биологические (живые).

В традиционных вычислениях на основе искусственных нейронных сетей такие методы, как обучение с пониженной и контролируемой ошибкой первого порядка (First-Order Reduced and Controlled Error, FORCE), обеспечивают адаптацию в режиме реального времени за счет непрерывной корректировки выходных сигналов в ответ на ошибки. Эти методы позволяют искусственным системам генерировать широкий спектр временных паттернов, включая периодические и хаотические сигналы. Однако вопрос о том, можно ли применять аналогичные подходы к биологическим нейронным сетям, остается открытым.

Чтобы восполнить этот пробел, исследователи создали биологические нейронные сети, используя культивированные нейроны коры головного мозга крыс, и внедрили их в систему резервуарных вычислений.

Нейроны были взяты из коры головного мозга крыс на 18-й день эмбрионального развития.

Нейронами засеивали лунку (выемку) на чипе HD-MEA с плотностью 700 клеток/мм2. Рост нейронов на чипах HD-MEA контролировали с помощью флуоресцентного химического зонда NeuO

Применяя метод обучения FORCE для оптимизации считывающего слоя системы, команда успешно обучила биологические сети (сети на основе живых нейронов) генерировать сложные временные сигналы, сравнимые с теми, что участвуют в управлении движениями у животных.

Ключевым нововведением в исследовании стало использование микрофлюидных устройств для точного управления ростом нейронов и контроля сетевых связей.

Микрофлюидные устройства — это миниатюрные системы, состоящие из каналов и камер толщиной в десятки микрон (тоньше человеческого волоса), по которым текут жидкости в нанолитрах. Они работают как «лаборатория на чипе», позволяя управлять перемещением крошечных объёмов среды, питательных веществ и химических сигналов.

В нейробиологии эти устройства используются для создания искусственного микроокружения, где можно предельно точно контролировать рост и развитие нейронов.

Использование микрофлюидных устройств позволило исследователям создать модульные сетевые архитектуры, которые сводят к минимуму чрезмерную синхронизацию, тем самым способствуя развитию сложной многомерной динамики, необходимой для эффективных вычислений.

В результате фреймворк ("каркасная" программная структура ) на основе живых нейронов смог генерировать различные паттерны временных рядов, в том числе синусоидальные, треугольные, прямоугольные волны и даже хаотические траектории, такие как аттрактор Лоренца.

Примечательно, что нейросеть на основе живых нейронов продемонстрировала гибкость, обучаясь и стабильно воспроизводя синусоидальные волны с периодами от 4 до 30 секунд в рамках одной системы.

«Эта работа показывает, что живые нейронные сети — не только биологически значимые системы, но и новые вычислительные ресурсы», — сказал Хидеаки Ямамото, профессор Университета Тохоку. По его мнению, «объединяя нейробиологию и машинное обучение, мы открываем путь к новым формам вычислений, использующим внутреннюю динамику биологических систем».

В своей научной статье авторы пишут: "Эта работа предлагает основанную на биологических принципах платформу для изучения физических основ вычислений в коре мозга и разработки энергоэффективных парадигм нейроморфных вычислений."

Также они считают: "Большие нейронные сети [на основе живых нейронов] могут стать новыми вычислительными ресурсами, заменив энергоемкое оборудование, используемое для машинного обучения... Бионейроморфные сети могут предложить множество преимуществ, таких как адаптивность, масштабируемость, энергоэффективность и открывающиеся возможности для разработки «живых» вычислительных устройств."

Также отмечается, что нейронную сеть на основе живых нейронов

можно превратить в микрофизиологическую систему для изучения реакции на лекарственные препараты и моделирования неврологических расстройств, что расширит ее применение как в научной, так и в медицинской сфере.

Для написания поста использовался материал издания

Techxplore - cтатья

Living brain cells enable machine learning computations.

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: