Команда исследователей из Университета Тохоку и Университета Хакодате в Японии обучила культивированные нейроны коры головного мозга крыс автономно генерировать сложные временные сигналы с использованием системы машинного обучения в реальном времени, согласно исследованию, опубликованному 12 марта в журнале Proceedings of the National Academy of Sciences. Исследователи интегрировали живые нейроны с микроэлектродными матрицами высокой плотности и микрофлюидными устройствами, создав замкнутую систему резервуарных вычислений, которая научилась воспроизводить периодические и хаотические волновые формы без какого-либо внешнего воздействия. Система регистрировала последовательности спайков от нейронов по матрице с 26 400 электродами с шагом 17,5 микрометра, фильтровала их в непрерывные сигналы и декодировала выход через линейный считывающий слой. Этот выход затем подавался обратно на нейроны в виде электрической стимуляции, замыкая контур обратной связи, который циклически повторялся примерно каждые 333 миллисекунды. Веса считывания оптимизировались в реальном времени с использованием алгоритма обучения FORCE (First-Order Reduced and Controlled Error), который непрерывно корректировал декодер для минимизации ошибки между выходом сети и целевой волновой формой. По словам исследователей, ключевой технологией стало использование микрофлюидных пленок из PDMS для ограничения связей между нейронами. Без физических ограничений культивированные нейроны формируют плотные, высокосинхронизированные сети, которые срабатывают синхронно, и эти однородные сети не смогли выучить ни один из целевых сигналов. Вместо этого исследователи ограничили тела нейронных клеток 128 квадратными лунками, каждая размером примерно 100×100 микрометров, при этом в каждой лунке находилось в среднем 14,6 нейронов. Лунки были соединены микроканалами в двух конфигурациях: решетчатая структура с однородными ближайшими соседскими связями и иерархическая структура с более разреженными, многомасштабными связями. Обе структурированные конфигурации значительно снизили парные нейронные корреляции по сравнению с неструктурированными культурами (0,11 и 0,12 против 0,45 соответственно), увеличивая размерность динамики сети. Решетчатые сети стабильно превосходили иерархические по всем целевым волновым формам, вероятно, потому, что их более плотные межмодульные связи обеспечивали более высокую частоту срабатывания, что давало линейному декодеру больше сигнала для работы. Используя решетчатые и иерархические сети, система научилась генерировать синусоидальные волны с периодами 4, 10 и 30 секунд, а также треугольные и прямоугольные волны, и одна и та же культура могла быть переобучена для осцилляции на разных частотах. Исследователи также продемонстрировали, что система может аппроксимировать аттрактор Лоренца, трехмерную хаотическую траекторию, с парными корреляциями выше 0,8 между предсказанными и целевыми сигналами по всем измерениям на этапе обучения. «Эта работа показывает, что живые нейронные сети являются не только биологически значимыми системами, но и могут служить новыми вычислительными ресурсами», — заявил Хидэаки Ямамото, профессор Исследовательского института электросвязи Университета Тохоку, в пресс-релизе, опубликованном на веб-сайте учреждения. Производительность ухудшалась после прекращения обучения, когда система работала автономно: среднеквадратичная ошибка увеличивалась в 99% испытаний. Задержка контура обратной связи, составлявшая около 330 миллисекунд, также ограничивала способность системы отслеживать быстро меняющиеся или остроконечные волновые формы. Исследователи отметили, что уменьшение этой задержки за счет специализированного оборудования или альтернативной фильтрации может расширить диапазон обучаемых целей, а будущие приложения потенциально могут распространиться на интерфейсы мозг-машина и нейропротезные устройства.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Luke James
