В то время как мир стремится построить все более крупные центры обработки данных искусственного интеллекта, ученые обнаружили, что самый мощный компьютер по-прежнему является биологическим.
Несмотря на огромные успехи в развитии искусственного интеллекта, современные нейронные сети по-прежнему отстают от биологического мозга по энергоэффективности. Обучение алгоритма базовым законам физики требует гигаватт электроэнергии и вычислительных кластеров размером с промышленные склады. Живые клетки решают аналогичные задачи, потребляя части ваты. Основное отличие заключается в архитектуре: биологическая нервная ткань способна физически перестраивать свои внутренние связи в ответ на поступающую информацию.
Исследователи Калифорнийского университета задались целью выяснить, можно ли взять эту вычислительную мощь биологии, изолировать ее от живого организма и заставить решать чисто инженерные задачи. Для этого они создают закрытую биоэлектронную систему, в которой фрагмент ткани мозга, выращенный в лаборатории, учится управлять виртуальным объектом в реальном времени.
Проблема пропавшего тела
Для целей эксперимента ученые выращивают корковые органеллы – трехмерные кластеры клеток, образованные из эмбриональных стволовых клеток мыши. В течение тридцати дней развития в инкубаторе эти клетки самоорганизуются в сложную сеть, имитирующую архитектуру коры головного мозга. Однако сама эта ткань бесполезна для расчетов: у нее отсутствуют органы чувств для получения данных извне и мышечный аппарат для обратной связи..
Чтобы заставить клетки обрабатывать информацию, их нужно было подключить к симулятору. В качестве тестовой среды была выбрана классическая задача из теории автоматического управления – перевернутый маятник. В этой модели стержень закреплен на движущейся тележке, которая свободно падает под действием силы тяжести. Задача управляющего агента — постоянно перемещать тележку влево или вправо, чтобы лестница находилась в строго вертикальном положении. Это нестабильная динамическая система, в которой малейшая задержка в анализе данных приводит к неизбежному сбою.
Для подключения биологического материала к коду симулятора использовалась массив микроэлектродов высокой плотности. Это специальный чип с тысячами микроскопических контактов на поверхности. Органелла размещается непосредственно на этой кремниевой подложке, что позволяет инженерам сканировать электрические импульсы отдельных нейронов с точностью до миллисекунды и локально отправлять встречные сигналы в определенные части клеточной сети.
Язык преобразования сигналов
Чтобы живые клетки могли взаимодействовать с виртуальной гравитацией, исследователям пришлось создать протокол кодирования и декодирования информации. Взаимодействие работает как непрерывный цикл.
Сначала система передала органоиду информацию о положении полюсов. Для этого ученые выбрали на чипе два «входных» нейрона. Угол отклонения виртуального маятника был математически преобразован в частоту электрических импульсов. Если столб удерживался неподвижно, на входные нейроны поступал фоновый разреженный сигнал. Но как только маятник начинает раскачиваться, частота стимуляции резко возрастает. Таким образом, клетки буквально ощущали отклонение через ритм электрических разрядов.
При этом компьютер прослушивает активность двух других, «выходных» нейронов органоида. Разница в частоте собственных, спонтанных электрических разрядов преобразуется в кинетическую команду. Если первый выходной нейрон активируется чаще, чем второй, система толкает виртуальную тележку влево. Если наоборот, система толкает виртуальную тележку вправо.
В первые минуты эксперимента система ведет себя ожидаемо хаотично. Сигналы, проходившие через нейронную сеть органоида от входа к выходу, не имели никакой логики. Тележку бросает в случайные стороны, и виртуальный шест падает за долю секунды. Ткань нуждалась в алгоритме обучения.
Электрическая индукция пластичности
В целостном организме успешные действия химически подкрепляются высвобождением нейромодуляторов, таких как дофамин. У органоида в чашке Петри нет системы вознаграждений. Поэтому инженеры используют фундаментальное свойство нервной ткани – синаптическая пластичность. Науке известно, что точечные высокочастотные электрические разряды заставляют нейроны менять силу своих связей друг с другом. Вопрос был только в том, куда и когда доставить эти импульсы.
Компьютер постоянно анализировал эффективность органоида. Если среднее время пребывания маятника в последних испытаниях было ниже базовой линии, алгоритм переходил в режим обучения. В момент падения виртуального столба система доставляла серию коротких электрических стимулов отдельной группе нейронов, не связанных напрямую со входом или выходом.
Обучение не было случайным ударом током. Алгоритм использовал принципы машинного обучения: он строго записывал все комбинации импульсов стимуляции и анализировал, какие из них исторически приводили к более длительному времени балансирования маятника. Эффективные модели стимулов получают высокий приоритет и используются чаще в последующих циклах.
Результаты подтвердили валидность метода. Под воздействием направленной адаптивной стимуляции органоид начал менять свою внутреннюю логику обработки сигналов. Вместо хаотичных реакций сеть вырабатывает стабильную стратегию управления. Время удержания маятника увеличивается от начальных секунд до стабильных десятков секунд и минут. Более того, анализ показывает, что сеть научилась реагировать не только на сам угол наклона, но и на скорость падения маятника, образуя сложное прогнозирующее управление.
Биологическая достоверность эксперимента
Наиболее распространенный скептицизм в отношении таких гибридных систем связан с источником вычислений: критики предполагают, что обучение может быть артефактом кремниевого чипа или самого компьютерного алгоритма и что клетки действуют только как пассивные проводники.
Для строгого доказательства биологической природы расчетов авторы применяют фармакологический тест. В разгар успешного эксперимента, когда органоид стабильно держал маятник, в питательную среду были добавлены химические блокаторы — вещества NBQX и APV. Они избирательно отключают рецепторы, отвечающие за передачу глутамата — основного нейромедиатора, обеспечивающего синаптическую пластичность и память в мозге.
Эффект немедленный. Хотя компьютер продолжал передавать информацию об угле наклона и подавать тренировочные импульсы, способность органоида управлять тележкой упала на 64%. Ткань потеряла приобретенный навык и вернулась к базовой линии случайного шума.
После того, как химические блокаторы были вымыты из инкубатора и нормальная функция рецепторов была восстановлена, органоид восстановил способность учиться и балансировать маятник. Этот тест окончательно подтвердил: обработка информации и адаптация происходят на микроскопическом уровне, внутри живых синапсов.
Значение для науки и техники
Доказав, что биологическая нейронная сеть может целенаправленно оптимизировать управление нестабильной динамической системой без естественной системы вознаграждения, наука пришла к выводу, что два масштабных направления развития.
Первое направление относится к инженерным наукам и информатике. Выделение фундаментальных механизмов обучения живых клеток позволит нам приблизиться к созданию биологические сопроцессоры. Эти гибридные системы будущего смогут решать проблемы классификации данных или управления роботами, потребляя на порядки меньше энергии, чем нынешние полупроводниковые архитектуры.
Второе, не менее важное направление. нейрореабилитация. Исследования показывают, что определенные модели внешней электрической стимуляции могут заставить нейронную сеть перестроить свои связи для достижения определенной поведенческой цели. Понимание этого сигнального синтаксиса имеет важное значение для разработки нейроимплантатов следующего поколения. Будущие устройства смогут воздействовать на участки коры головного мозга, поврежденные в результате инсульта или травмы, принудительно стимулируя ткани для создания новых синаптических путей и восстановления утраченных функций человека.
