Исследователи разработали новую систему био-искусственного интеллекта, в которой живые нейроны коры головного мозга крыс были обучены выполнять вычислительные задачи в режиме реального времени. Исследование сосредоточено на объединении биологических нейронных сетей с методами машинного обучения с использованием подхода к вычислению резервуаров с замкнутым циклом. Цель состоит в том, чтобы исследовать, могут ли живые нейроны действовать как функциональные вычислительные системы, а не просто как биологические компоненты.
Проектирование и работа системы
Система объединяет живые нейроны с массивами микроэлектродов высокой плотности и микрофлюидными устройствами. Нейронные сигналы регистрируются, преобразуются в непрерывный выходной сигнал и передаются обратно в систему в виде электрической стимуляции в цикле продолжительностью около 330 миллисекунд. Метод обучения в режиме реального времени непрерывно настраивает выходной сигнал в соответствии с целевыми сигналами, позволяя системе обучаться без внешнего вмешательства.
Инновация в структурировании сети
Для повышения производительности нейроны были физически организованы в 128 микропор, соединенных микроканалами. Такая конструкция позволила избежать чрезмерной синхронизации, которая часто встречается в неструктурированных нейронных сетях. В результате корреляция между нейронами значительно снизилась с 0,45 до примерно 0,12, что привело к более сложному и эффективному поведению сети. Решетчатая структура сети показала наилучшую общую производительность.
Возможности и результаты
Система успешно генерировала различные формы сигналов, такие как синусоидальные, квадратные и треугольные волны, в течение нескольких временных интервалов. Она также продемонстрировала способность аппроксимировать сложные хаотические системы, такие как аттрактор Лоренца. Во время обучения система поддерживала высокую точность, достигая уровней корреляции выше 0,8.
Ограничения и область применения в будущем
Несмотря на свои возможности, система демонстрирует снижение производительности после прекращения обучения и увеличение ошибок при автономной работе. Ключевым ограничением является задержка обратной связи в 330 миллисекунд, которая ограничивает способность системы обрабатывать быстро меняющиеся сигналы. Будущая работа направлена на сокращение времени ожидания с использованием специализированного оборудования, которое может найти применение в интерфейсах мозг-машина, нейронном протезировании и биогибридных системах искусственного интеллекта следующего поколения.
