Brainoware съперничи на изкуствените невронни мрежи
12:30 | 12 декември 2023 | Редактор : Стоян Гогов
Няма компютър, който да е толкова мощен и сложен, колкото човешкия мозък. Ключът към успеха на мозъка е ефективността на неврона да служи едновременно като процесор и устройство с памет, за разлика от физически отделените единици в повечето съвременни компютърни устройства.
Това е довело до множество опити да се намери начин технологията да имитира нашата биология. Ново изследване решава да преобърне представата ни за мозъка, като компютър, като буквално го превърне в такъв.
Екип, ръководен от инженера Фън Гуо от университета на Индиана в Блумингтън, интегрира жива мозъчна тъкан с електроника. Създаденият компютър се нарича Brainoware и работи.
Човешки плурипотентни стволови клетки са били принудени да се развият в различни видове мозъчни клетки, които се организираха в триизмерни мини-мозъци, наречени органоиди, пълни с връзки и структури.
Това не са истински мозъци, а просто структури от тъкани без нищо подобно на мисъл, емоция или съзнание. Те са полезни за изучаване на това как мозъкът се развива и работи, без да се рови в истински човек.
Brainoware се състои от мозъчни органоиди, свързани с масив от микроелектроди с висока плътност, използвайки вид изкуствена невронна мрежа, известна като резервоарно изчисление.
Електрическата стимулация транспортира информация в органоида, резервоара, в който тази информация се обработва, преди Brainoware да изплюе своите изчисления под формата на невронна активност.
За входните и изходните слоеве се използва нормален компютърен хардуер. Тези слоеве трябваше да бъдат обучени да функционират с органоида, като изходният слой чете невронните данни и прави класификации или прогнози въз основа на входа.
За да демонстрират системата, изследователите дадоха на Brainoware 240 аудио клипа от осем мъжки говорителя, издаващи японски гласни звуци, и го помолиха да идентифицира гласа на един конкретен индивид.
След обучение само за два дни, Brainoware успя да идентифицира говорещия със 78 процента точност.
Лена Смирнова, Брайън Кафо и Ерик С. Джонсън, които не са участвали в проучването, предупреждават: "Тъй като сложността на тези органоидни системи нараства, за общността е изключително важно да проучи безбройните невроетични проблеми, които заобикалят биокомпютърните системи включваща човешка нервна тъкан."
Brainoware е малко по-малко точен от изкуствените невронни мрежи с дълга краткосрочна памет - но всяка от тези мрежи беше преминала през 50 епохи на обучение. Brainoware постигна почти същите резултати за по-малко от 10 процента от времето за обучение.
Все още има значителни ограничения, включително въпроса за поддържането на органоидите живи и здрави и нивата на консумация на енергия на периферното оборудване. Но имайки предвид етичните съображения, Brainoware има значение не само за компютрите, но и за разбирането на мистериите на човешкия мозък.
"Може да минат десетилетия, преди да могат да бъдат създадени общи биокомпютърни системи, но това изследване вероятно ще генерира основополагаща представа за механизмите на учене, невронното развитие и когнитивните последици от невродегенеративните заболявания", пишат Смирнова, Кафо и Джонсън.
"Това също може да помогне за разработването на предклинични модели на когнитивно увреждане за тестване на нови терапевтични средства."
Изследването е публикувано в :
"Abstract
Brain-inspired computing hardware aims to emulate the structure and working principles of the brain and could be used to address current limitations in artificial intelligence technologies. However, brain-inspired silicon chips are still limited in their ability to fully mimic brain function as most examples are built on digital electronic principles. Here we report an artificial intelligence hardware approach that uses adaptive reservoir computation of biological neural networks in a brain organoid. In this approach—which is termed Brainoware—computation is performed by sending and receiving information from the brain organoid using a high-density multielectrode array. By applying spatiotemporal electrical stimulation, nonlinear dynamics and fading memory properties are achieved, as well as unsupervised learning from training data by reshaping the organoid functional connectivity. We illustrate the practical potential of this technique by using it for speech recognition and nonlinear equation prediction in a reservoir computing framework."
Редактирано от Mod vege на 12.12.23 14:14.
|