Революционный подход к искусственному интеллекту с использованием органоидов мозга для сложных вычислений

В исследовании, опубликованном в журнале Природная электроника, Исследователи из Соединенных Штатов Америки разработали аппаратный подход к искусственному интеллекту (ИИ) под названием «Brainoware», который использует адаптивные резервуарные вычисления органоидных нейронных сетей мозга (ONN). Они обнаружили, что этот подход может обеспечить нелинейную динамику, ухудшение свойств памяти и обучение без присмотра, продемонстрировав свой практический потенциал в таких задачах, как предсказание нелинейных уравнений и распознавание речи.

Изучать: Вычисления резервуаров органоидов мозга для искусственного интеллекта. Изображение предоставлено: Когти Дракона / Shutterstock

Фон

Кремниевые компьютерные чипы в основном управляют искусственными нейронными сетями (ИНС), которые составляют основу ИИ. Однако обучение ИНС на этих чипах имеет ограничения, такие как высокие затраты энергии и времени, узкое место Неймана (физическое разделение данных от обработки данных) и замедление действия закона Мура (более медленное удвоение транзисторов в интегральной схеме). Это подчеркивает необходимость разработки новых подходов к аппаратному обеспечению ИИ.

Человеческий мозг с его сложной трехмерной сетью клеток и синапсов вдохновляет на разработку аппаратного обеспечения искусственного интеллекта благодаря своей энергоэффективности, нейрогенезу и пластичности нейронов, которые позволяют обрабатывать зашумленные данные с минимальными затратами на обучение. Хотя нейроморфные чипы пытаются имитировать функции мозга, существует необходимость расширить их возможности с точки зрения обработки информации, устранения неопределенности в реальной жизни и использования энергии.

Органоиды мозга представляют собой трехмерные агрегаты, разработанные in vitro использование стволовых клеток для имитации структуры и функций мозга. Исследователи в настоящем исследовании разработали новую аппаратную систему искусственного интеллекта под названием «Brainoware», используя органоиды мозга, которая использует резервуарные вычисления и способности обучения нейронных сетей органоида.

Об исследовании

Brainoware было интегрировано в вычислительную среду резервуаров с тремя основными компонентами: входной слой, слой резервуара (органоид) и выходной слой. Система была создана путем установки функционального органоида мозга, разработанного с использованием плюрипотентных стволовых клеток человека, на многоэлектродную матрицу высокой плотности (МЭА). Органоид сформировал резервуарный слой и показал наличие различных типов клеток мозга, ранних мозгоподобных структур и сетевой электрической активности. Органоид получал сигналы через входной слой, который преобразовывал зависящие от времени входные данные в пространственно-временные последовательности электрической стимуляции. Органоид мозга действовал как «адаптивный живой резервуар», который отображал эти сигналы в ONN. На выходном слое MEA записывал нейронные активности, представляющие состояние резервуара (с использованием таких методов, как линейная или логистическая регрессия), и декодировал их, чтобы предоставить данные для таких приложений, как классификация, распознавание и прогнозирование.

Были протестированы физические резервуарные свойства Brainoware, включая нелинейную динамику, обработку пространственной информации и затухание памяти, путем оценки реакции ONN на стимуляции различной длительности импульса и напряжения. Затем система была применена к реальным задачам, таким как распознавание речи и предсказание нелинейных хаотических уравнений.

В задаче по распознаванию речи Brainoware необходимо было идентифицировать гласные говорящего в пуле говорящих. Для обучения системы было использовано в общей сложности 240 аудиоклипов с изолированными японскими гласными, произносимыми восемью разными носителями мужского пола, а вызванные ответы были классифицированы с помощью логистической регрессии. Изменения функциональных связей в органоиде до и во время тренировки измерялись отдельно. В следующей задаче Brainoware пришлось предсказать карту Энона — нелинейную динамическую систему с хаотичным поведением. Двумерная карта Энона была разложена на одно измерение и использована в качестве входных данных для Brainoware. Вызванную активность регистрировали до и во время тренировки и сравнивали с контролем.

Результаты и обсуждение

Brainoware продемонстрировал свойства физического резервуара. Нелинейным ответом, пространственной обработкой и динамикой затухания ONN можно управлять путем изменения входных параметров стимуляции. Более сильные ответы и более медленная релаксация наблюдались при использовании импульсов высокого напряжения и большой продолжительности. Было обнаружено, что динамика Brainoware соответствует динамике ИНС и мемристоров. Было обнаружено, что благодаря обучению Brainoware повысила свою вычислительную производительность и продемонстрировала возможности обучения без присмотра благодаря своему адаптивному живому резервуару.

Brainoware улучшила свою точность в процессе обучения с 51% до 78% в задаче распознавания речи, что предполагает запуск неконтролируемых способностей органоида к обучению посредством электрической стимуляции. Результаты испытаний показали, что обучение изменило функциональные связи органоида, тем самым инициировав обучение без присмотра.

Кроме того, Brainoware смогла успешно предсказать карту Энона и превзошла другие методы, такие как линейная регрессия и ИНС, с помощью блока долговременной краткосрочной памяти. Brainoware не могла бы работать без органоида, о чем свидетельствует нулевой показатель регрессии системы управления без органоидов. Было обнаружено, что производительность улучшается по мере обучения, о чем свидетельствуют улучшенные показатели регрессии. Результаты испытаний показали, что обучающая активность Brainoware зависела от пластичности нейронов.

Заключение

В настоящем исследовании исследователи представили Brainoware как резервное вычислительное оборудование, которое использует вычислительную мощность органоидов мозга и продемонстрировало его адаптируемость, пластичность и потенциал для решения проблем в современном оборудовании искусственного интеллекта. Несмотря на большую перспективу, подход Brainoware сталкивается с проблемами в создании и обслуживании органоидов, энергопотреблении периферийным оборудованием, использовании плоских и жестких МЭА и отсутствии эффективных инструментов управления данными. В будущем можно будет разработать индивидуальные маломощные системы на основе «мозга» с усовершенствованными интерфейсами «мозг-машина» и программным обеспечением для управления данными для повышения применимости и точности.