In uno studio pubblicato sulla rivista Elettronica della natura, Alcuni ricercatori negli Stati Uniti hanno sviluppato un approccio hardware basato sull’intelligenza artificiale (AI) chiamato “Brainoware” che utilizza il calcolo adattivo del serbatoio delle reti neurali organiche (ONN) del cervello. Hanno scoperto che questo approccio può ottenere dinamiche non lineari, proprietà di memoria evanescenti e apprendimento non supervisionato, dimostrando il suo potenziale pratico in compiti come la previsione di equazioni non lineari e il riconoscimento vocale.

Soggiorno: Calcolo di un serbatoio cerebrale organico per l’intelligenza artificiale. Credito immagine: Dragon Claws/Shutterstock

sfondo

I chip per computer in silicio alimentano principalmente le reti neurali artificiali (ANN) che costituiscono la base dell’intelligenza artificiale. Tuttavia, l’addestramento di reti neurali artificiali su questi chip presenta limitazioni quali elevato consumo di energia e tempo, collo di bottiglia di Newman (separazione fisica dei dati dall’elaborazione dei dati) e isteresi della legge di Moore (moltiplicazione più lenta dei transistor in un circuito integrato). Ciò sottolinea la necessità di progettare nuovi metodi per i dispositivi di intelligenza artificiale.

Il cervello umano, con la sua complessa rete 3D di cellule e sinapsi, ispira lo sviluppo di dispositivi di intelligenza artificiale per la sua efficienza energetica, neurogenesi e plasticità neurale che consente l’elaborazione di dati rumorosi con costi di formazione minimi. Mentre i neurochip tentano di imitare le funzioni cerebrali, è necessario migliorare le loro capacità in termini di elaborazione delle informazioni, gestione dell’incertezza della vita reale e utilizzo dell’energia.

Gli organoidi cerebrali sono insiemi tridimensionali che sono stati sviluppati nel laboratorio Utilizzo di cellule staminali per imitare la struttura e la funzione del cervello. In questo studio, i ricercatori hanno sviluppato un nuovo sistema di intelligenza artificiale chiamato “Brainoware” utilizzando organoidi cerebrali, che sfrutta il calcolo del magazzino e le capacità di apprendimento delle reti neurali degli organoidi.

A proposito dello studio

Brainoware è integrato in una struttura di calcolo del serbatoio con tre componenti principali: lo strato di input, lo strato di serbatoio (organico) e lo strato di output. Il sistema è stato creato montando un organoide cerebrale funzionale, sviluppato utilizzando cellule staminali pluripotenti umane, su una matrice multielettrodo ad alta densità (MEA). La materia organica formava lo strato della cisterna e mostrava la presenza di diversi tipi di cellule cerebrali, strutture precoci simili al cervello e attività elettrica della rete. L’organoide ha ricevuto segnali tramite lo strato di input, che ha convertito gli input dipendenti dal tempo in sequenze spazio-temporali di stimolazione elettrica. L’organoide cerebrale fungeva da “archivio adattivo vivente” che mappava questi segnali sugli ONN. Nello strato di output, MEA registra le attività neurali che rappresentano lo stato del serbatoio (utilizzando tecniche come la regressione lineare o logistica) e le decodifica per fornire letture per applicazioni quali classificazione, riconoscimento e previsione.

Le proprietà fisiche del serbatoio di Brainoware, tra cui la dinamica non lineare, l’elaborazione delle informazioni spaziali e lo sbiadimento della memoria, sono state testate valutando la risposta dell’ONN alle stimolazioni con tempi di impulso e tensioni diversi. Il sistema è stato poi applicato ad attività del mondo reale come il riconoscimento vocale e la previsione di equazioni caotiche non lineari.

In un compito di riconoscimento vocale, Brainoware doveva riconoscere le vocali di un parlante in un gruppo di parlanti. Per addestrare il sistema sono stati utilizzati un totale di 240 clip audio di vocali giapponesi isolate pronunciate da otto diversi parlanti maschi e le risposte evocate sono state classificate mediante regressione logistica. I cambiamenti di connettività funzionale nell’organoide sono stati misurati separatamente prima e durante l’addestramento. Nel compito successivo, Brainoware è stato progettato per prevedere la mappa di Hénon, un sistema dinamico non lineare con comportamento caotico. La mappa 2D di Hénon è stata scomposta in una dimensione e utilizzata come input per Brainoware. L’attività evocata è stata registrata prima e durante l’addestramento e confrontata con i controlli.

Risultati e discussione

Brainoware ha dimostrato le proprietà di un carro armato fisico. La risposta non lineare, l’elaborazione spaziale e la dinamica di dissolvenza degli ONN possono essere controllate regolando i parametri dello stimolo in ingresso. Risposte più forti e rilassamento più lento sono stati osservati con impulsi di tensione più elevata e durata più lunga. Si è scoperto che le dinamiche di Brainoware sono coerenti con le dinamiche delle reti neurali e delle memorie artificiali. Attraverso la formazione, è stato scoperto che Brainoware migliora le sue prestazioni computazionali e dimostra capacità di apprendimento senza supervisione attraverso il suo repertorio adattivo dal vivo.

Brainoware ha migliorato la sua precisione durante l’allenamento dal 51% al 78% in un compito di riconoscimento vocale, suggerendo che le capacità di apprendimento senza supervisione dell’organoide erano stimolate dalla stimolazione elettrica. I risultati dei test hanno indicato che l’addestramento ha rimodellato la connettività funzionale dell’organoide, avviando così l’apprendimento non supervisionato.

Inoltre, Brainoware è riuscito a prevedere con successo la mappa di Hénon e a sovraperformare altri metodi, come la regressione lineare e l’ANN, utilizzando un’unità di memoria a breve termine. Brainoware non può funzionare senza l’organico, come dimostrato dal grado zero di pendenza del sistema di controllo senza organico. È stato riscontrato che le prestazioni miglioravano con l’allenamento, come indicato dal miglioramento dei punteggi di regressione. I risultati dei test hanno mostrato che l’attività di apprendimento di Brainoware era basata sulla plasticità neurale.

Conclusione

Nel presente studio, i ricercatori hanno introdotto Brainoware come un dispositivo informatico di backup che sfrutta la potenza computazionale degli organoidi cerebrali e ne hanno dimostrato l’adattabilità, la flessibilità e il potenziale per affrontare le sfide dell’hardware AI esistente. Sebbene molto promettente, l’approccio di Brainoware deve affrontare sfide nella generazione e nella manutenzione degli organoidi, nel consumo energetico delle apparecchiature periferiche, nell’uso di MEA piatti e rigidi e nella mancanza di strumenti efficaci di gestione dei dati. In futuro, sarà possibile sviluppare sistemi personalizzati, a basso consumo e ispirati al cervello, utilizzando interfacce cervello-macchina avanzate e software di gestione dei dati per migliorare l’applicabilità e la precisione.