Что умнее: кремний или живой мозг? Настоящие нейроны обучили задаче ИИ. И они справились на “ура”
NewsMakerБиогибридные компьютеры перестали быть фантастикой?
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.
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.