Živé mozkové buňky se učí složitou matematiku: Vědci trénují „mokrý hardware“ pro novou generaci AI

Vědci úspěšně vycvičili živé krysí neurony k provádění složitých úloh strojového učení, čímž se hranice mezi biologií a počítačovou vědou stává ještě nejasnější.

Vědci úspěšně vycvičili živé krysí neurony k provádění složitých úloh strojového učení, čímž se hranice mezi biologií a počítačovou vědou stává ještě nejasnější. Tento průlomový výzkum integruje kultivované neuronové sítě do rámce takzvaného „rezervoárového počítání“ a otevírá cestu k novým formám výpočetní techniky.

Tým z Tohoku University a Future University Hakodate použil techniku zvanou FORCE učení, aby naučil tyto biologické obvody generovat složité matematické vzorce, včetně chaotického Lorenzova atraktoru. Tím prokázali, že živý „mokrý hardware“ (wetware) může sloužit jako funkční výpočetní zdroj v reálném čase. Rezervoárové počítání využívá přirozenou složitost a dynamiku sítě k zpracování dat, přičemž se trénuje pouze „výstupní“ vrstva, která interpretuje aktivitu sítě, nikoli každý jednotlivý neuron. FORCE učení pak umožňuje upravovat výstupní signály v reálném čase na základě chyb, což je poprvé, co bylo úspěšně aplikováno na biologickou neuronovou síť pro generování časových řad dat.

Živé neurony se nenaučily jen jednoduché sinusové vlny, ale úspěšně reprodukovaly Lorenzův atraktor – komplexní soubor rovnic používaných k modelování chaotických systémů, jako jsou například meteorologické vzorce. Klíčovou inovací bylo použití mikrofluidních zařízení, která precizně naváděla růst neuronů a kontrolovala konektivitu sítě. Vytvořením modulárních „sousedství“ buněk vědci zabránili tomu, aby se všechny neurony aktivovaly najednou (synchronizace), což je zásadní pro vysoce úrovňové výpočty. Stejný biologický systém se ukázal být dostatečně flexibilní, aby se naučil vlny s periodami od 4 do 30 sekund, což demonstruje pozoruhodnou přizpůsobivost živých sítí.

„Tato práce ukazuje, že živé neuronové sítě nejsou jen biologicky smysluplné systémy, ale mohou také sloužit jako nové výpočetní zdroje,“ uvedl profesor Hideaki Yamamoto z Tohoku University. Biologie je mistrem paralelního zpracování dat; jedna biologická síť dokáže zpracovat obrovské množství časově závislých dat s velmi nízkou spotřebou energie. Tyto systémy jsou navíc neuvěřitelně energeticky účinné a dokážou se přizpůsobit novým informacím způsoby, s nimiž se rigidní modely umělé inteligence často potýkají.

Výzkumný tým se nyní zaměřuje na zlepšení stability generování signálu po ukončení tréninku. Budoucí úsilí se soustředí na snížení zpoždění zpětné vazby a zdokonalení algoritmu FORCE učení. Paralelně může být tato platforma rozšířena na mikrofyziologický systém pro studium reakcí na léky a modelování neurologických poruch, čímž se její dopad rozšíří do vědeckých i lékařských oborů. Tyto biologické systémy by mohly být využity k testování vlivu léků na „myšlenkové“ obvody nebo k modelování neurologických onemocnění v laboratorních podmínkách bez nutnosti testování na zvířatech.