Живи неврони от плъх бяха обучени да извършват сложни изчисления в реално време

Японски учени обучиха живи мозъчни неврони на плъхове да генерират сложни времеви сигнали с помощта на система за машинно обучение в реално време. Те са интегрирали в невроните микроелектроди и микрофлуидни устройства, като са създали система със затворен контур на „резервоарно изчисление“. В резултат на това мрежата се научила да възпроизвежда периодични и хаотични форми на вълни без никакво външно въздействие.

Разработката е извършена от екипи от университетите Тохоку и Хакодате Фючър Юнивърсити. Учените са създали система със затворен цикъл, в която живи неврони са свързани с електроника. Мрежата не просто предава определени сигнали, а се учи в реално време, като постоянно коригира поведението си. Експериментът се основава на подхода на резервоарните изчисления, който представлява метод за обработка на времеви данни, при който сложна динамична система (в случая жива невронна мрежа) се използва като „резервоар“ за преобразуване на сигналите. В класическите варианти задачата се изпълнява от изкуствени невронни мрежи, но тук за първи път е изпълнена от биологична система.

Активността на невроните е била отчитана от масив от 26 400 електрода на стъпки от 17,5 микрометра. Получените импулси са били преобразувани в непрекъснат сигнал, който след това е бил върнат обратно в невронната мрежа като стимулация. Такъв цикъл се е повтарял приблизително на всеки 333 милисекунди, образувайки непрекъснат цикъл на обратна връзка.

За да позволят на системата да се учи, изследователите използват алгоритъма FORCE (First-Order Reduced and Controlled Error), който регулира параметрите в реално време и намалява грешката между желаното и действителното ниво на сигнала. Това позволява на невронната мрежа не само да реагира, но и да възпроизвежда дадени времеви модели.

Архитектурата е изиграла ключова роля. Изследователите са използвали микрофлуидни филми от полидиметилсилоксан (PDMS), за да ограничат физически начина на свързване на невроните. Без такива ограничения невроните образуват плътни, силно синхронизирани мрежи, които се активират синхронно и не са способни да се учат.

В новата система невроните са разпределени в 128 ямки с размери 100×100 микрометра – всяка от тях съдържа средно по 14,6 клетки. Тези ямки са свързани с микроканали по два начина – решетъчен и йерархичен, което позволява да се контролират връзките между невроните.

Този подход драстично намалява прекомерната синхронност: докато в конвенционалните култури невроните се активират координирано с около 45%, в новата система този показател спада до 11-12 %. Благодарение на това мрежата успяла да генерира различни видове сигнали – синусоидални вълни с различна дължина (с периоди 4, 10 и 30 секунди), както и триъгълни и правоъгълни форми. Освен това тя се доближава до поведението на хаотичната система, атрактора на Лоренц, с точност над 80%.

Въпреки това технологията все още е далеч от съвършенство. След приключване на обучението точността се влошава – грешката нараства в 99% от случаите. Освен това забавянето в цикъла за обратна връзка ограничава способността на системата да проследява бързо променящи се или рязко дефинирани форми на вълната. Въпреки това, както посочи професор Хидеаки Ямамото, подобни системи вече могат да се разглеждат като нов вид изчислителен ресурс.