Что умнее: кремний или живой мозг? Настоящие нейроны обучили задаче искусственного интеллекта
Живые нейроны впервые удалось обучить задаче, которую раньше решали только искусственные системы. Исследователи из Университета Тохоку и Университета будущего в Хакодате встроили культуру биологических нейронов в вычислительную схему машинного обучения и добились от нее генерации сложных сигналов во времени.
Работа касается давнего вопроса на стыке биологии и информатики. Искусственные нейросети и импульсные нейросети давно используют для обработки данных, особенно там, где важна временная структура сигнала. В этой области хорошо известен подход резервуарных вычислений. Он опирается не столько на полную перенастройку всей сети, сколько на богатую внутреннюю динамику рекуррентной системы. Проще говоря, сеть здесь работает как сложная среда состояний, а обучение в основном сводится к тому, чтобы правильно считывать ее отклик.
В искусственных системах для таких задач применяют, например, алгоритм FORCE. Он в реальном времени подстраивает выходной сигнал, ориентируясь на ошибку, и за счет этого позволяет генерировать разные временные паттерны - от простых периодических колебаний до хаотических траекторий. Но до сих пор оставалось неясно, можно ли перенести похожую схему на живую нейронную сеть, где элементы не имитируются в коде, а действительно растут, соединяются и спонтанно активируются.
Чтобы это проверить, японская команда собрала биологическую нейронную сеть из культивированных кортикальных нейронов крысы. Затем ее встроили в архитектуру резервуарных вычислений. Электрическую активность живых клеток записывали как последовательности импульсов, переводили в непрерывный сигнал и подавали в считывающий слой, который формировал выход. Затем контур замыкали обратной связью: выходной сигнал использовали как новый вход для самой биологической сети. Именно эта схема и превратила культуру нейронов из объекта наблюдения в активный вычислительный элемент.
Одна из главных технических деталей здесь связана с микрофлюидными устройствами. С их помощью исследователи направляли рост нейронов и контролировали, как именно формируются связи между участками сети. Такой подход позволил собрать модульную архитектуру и избежать избыточной синхронизации, когда слишком большая часть нейронов начинает вести себя одинаково. Для вычислений это принципиально важно: резервуарные вычисления требуют не однообразной активности, а сложной многомерной динамики, из которой можно извлекать полезные временные структуры.
После настройки системы применили алгоритм FORCE к выходному слою и обучили биологическую сеть генерировать разные временные сигналы. Система смогла воспроизводить синусоидальные, треугольные и прямоугольные волны, а также более сложные хаотические траектории, включая аттрактор Лоренца. Последний особенно интересен, потому что речь идет уже не о простом ритме, а о характерной нелинейной динамике, которую обычно используют как проверку для сложных вычислительных машин.
Авторы отдельно отмечают гибкость платформы. В рамках одной и той же системы сеть научилась воспроизводить синусоидальные колебания с периодом от 4 до 30 секунд и устойчиво удерживать их после обучения. Для живой культуры нейронов такой результат важен сам по себе: система не просто реагировала на стимулы, а осваивала задачу с разными временными масштабами и затем воспроизводила нужный паттерн.
По словам руководителя работы Хидэаки Ямамото, живые нейронные сети стоит рассматривать как новый вычислительный ресурс. Смысл здесь не в романтической идее живого компьютера, а в том, что у биологических систем есть собственная богатая динамика, которую трудно и дорого воспроизводить искусственно в полном объеме. Если научиться надежно подключать такую динамику к вычислительным контурам, можно получить другой тип машин, где часть обработки будет выполнять сама живая ткань.
Далее авторы собираются повышать устойчивость генерации сигналов после завершения обучения, уменьшать задержки в обратной связи и дорабатывать сам алгоритм FORCE для биологической среды. Параллельно платформу хотят развивать как микрофизиологическую систему для тестирования действия лекарств и моделирования неврологических нарушений. В таком виде технология пригодится не только для вычислений, но и для биомедицины, где важно видеть, как живая нейронная сеть меняет динамику под действием препаратов или болезни.