ملخص تقني: الحوسبة العصبية المتجسدة

بيان المشكلة

تقدم الشبكات العصبية البيولوجية (BNNs) ركيزة واعدة لمعالجة المعلومات تتميز بالقدرة العالية على التكيف، وكفاءة استهلاك الطاقة، وآليات تعلم متميزة مقارنة بالبنيات التقليدية القائمة على السيليكون. ومع ذلك، فإن هناك عقبة جوهرية تمنع الاستخدام الواسع للشبكات العصبية البيولوجية في الحوسبة العصبية، وهي: غياب آليات الترميز وفك التشفير المثلى للربط بين العالم الرقمي والبيولوجيا الحية. وبينما تقدمت تقنيات فك تشفير نشاط الشبكة، فإن التحدي العكسي — المتمثل في ترجمة البيانات الرقمية الهيكلية إلى محفزات كهربائية ذات معنى للشبكات البيولوجية — لا يزال صعباً بسبب الطبيعة التكيفية، والضوضائية، وغير المستقرة للأنظمة البيولوجية. وتعتمد النهج الحالية غالباً على بروتوكولات تحفيز تجريبية أو عشوائية ذات معايير مقيدة للغاية، مما يترك الفضاء متعدد الأبعاد والواسع لترميز البيولوجيا (التردد، السعة، عرض النبضة، شكل الموجة، التوزيع الزماني والمكاني) غير مستغل وغير مُحسّن بشكل كافٍ.

المنهجية: إطار الحوسبة العصبية المتجسدة

يقترح المؤلفون إطار عمل على مستوى الأنظمة يسمى الحوسبة العصبية المتجسدة، والذي يصيغ الواجهة الحيوية-الرقمية كمسألة تحسين متعددة المتغيرات. ينمذج هذا الإطار الحوسبة العصبية $f(\cdot; \theta_t)$ كخريطة تغذية أمامية متسلسلة تحول تسلسلاً من المدخلات ($x_t$) إلى تسلسل من المخرجات ($y_t$) من خلال أربع وحدات مترابطة:

1. الترميز ($e$): يحول المعلومات الخاصة بالمهمة إلى مصفوفات تحفيز كهربائي ($u_t$) متوافقة مع مصفوفات الأقطاب الكهربائية الدقيقة (MEAs). ويتضمن ذلك معايير لتردد التحفيز، والسعة، وعرض النبضة، والتوزيع الزمني.
2. التحويل البيولوجي ($b$): الديناميكيات الجوهرية وغير المستقرة للشبكات العصبية البيولوجية التي تربط التحفيز بمصفوفة استجابة ($v_t$). وتتطور هذه الخريطة بمرور الوقت بناءً على تاريخ التحفيز، والتغذية الراجعة، والتكيف التلقائي، وتُنمذج كإعادة تنظيم نوعي للمعلومات بدلاً من مجرد ترشيح خطي بسيط.
3. فك التشفير ($d$): يحول الاستجابة البيولوجية (الجهد الكهربائي أو النبضات) مرة أخرى إلى مخرجات ذات صلة بالمهمة.
4. التغذية الراجعة ($r$): شكل متخصص من الترميز يتم تقديمه بعد الاستجابة لدفع عملية التكيف. ويمكن أن يكون تعزيزياً (تحفيز مهيكل لمكافآت إيجابية) أو محفزاً للمرونة (تحفيز عشوائي لمكافآت سلبية).

يعامل الإطار تكوين هذه الوحدات كمسألة تحسين تعتمد على الزمن، حيث يكون الهدف هو إيجاد المجموعة المثلى من التحويلات ($\theta_t = \theta_e \cup \theta_{b,t} \cup \theta_d \cup \theta_r$) لتحقيق هدف حوسبي.

التقييم التجريبي

للتحقق من صحة هذا الإطار، أجرى المؤلفون دراسة تجريبية واسعة النطاق شملت:

• المهمة: مهمة ملاحة مدفوعة بالأهداف في عالم شبكي (gridworld) بحجم 6×6. يقوم عميل (الشبكة العصبية البيولوجية) بالملاحة نحو مصدر "غذاء" بتوجيه من مستشعر "رائحة" قياسي. وتشمل الإجراءات التحرك للأمام، أو الدوران يساراً، أو الدوران يميناً.
• النطاق: 26 مزرعة فردية من الشبكات العصبية البيولوجية متصلة عبر منصة Cortical Labs CL1.
• التحسين: قامت خطة آلية لتحسين المعلمات الفائقة (باستخدام Optuna) بفحص ما يقرب من 1,300 تكوين ترميز عبر 4,000 ساعة من التفاعل في الوقت الفعلي.
• العملية:
  • المرحلة 1: فحص 1,296 تركيبة من المعلمات عبر إعدادين بيوفيزيائيين متميزين (المجموعتان 1 و2) باستخدام حلقة قصيرة مكونة من 30 خطوة.
  • المرحلة 2: تنقية أفضل 64 معلمة لتصل إلى مجموعة نهائية مكونة من 12 تكويناً، تم تقييمها تحت ظروف أطول (150 خطوة) وحلقات متعددة (5 حلقات مع فترات راحة) (المجموعتان 3 و4).
• المقارنة المرجعية: تمت مقارنة الأداء مقابل خطوط أساس للثقافات غير التكيفية (إعادة تشغيل النشاط التلقائي، نبضات عشوائية محاكية) وعملاء Deep Q-Network (DQN) القائمين على السيليكون والمُحسّنين الذين تم تدريبهم بعدد مكافئ من خطوات التفاعل.

النتائج الرئيسية

1. تحديد المعلمات المثلى

باستخدام تحليل SHAP (تفسيرات SHapley الإضافية) على بيانات المرحلة الأولى، حدد المؤلفون أن التردد الأقصى لترميز المعدل كان المحرك الأقوى للأداء، مفضلاً القيم المتوسطة (40-60 هرتز). وشملت العوامل الأخرى الداعمة للأداء سعة تحفيز أعلى، وعرض نبضة أقصر، ومعدلات تفاعل بيئي أسرع. وقد قلل هذا التحليل مساحة البحث من 1,296 إلى 12 تكويناً متسقاً وعالي الأداء.

2. الأداء المتفوق للشبكات العصبية البيولوجية المُحسّنة

• مقابل الخطوط المرجعية: تفوقت الوكلاء البيولوجيون المُحسّنون بشكل كبير على خطوط الأساس للثقافات غير التكيفية (بنسبة تتراوح بين 3.6 إلى 5.6 ضعفاً حسب المجموعة).
• مقابل السيليكون (DQN): حقق الوكلاء البيولوجيون المُحسّنون أداءً أعلى بكثير من وكلاء DQN الذين تم تدريبهم بنفس عدد خطوات التفاعل. وتحديداً، أظهرت الشبكات العصبية البيولوجية تحسناً بنسبة 1.18 ضعف في المجموعة 3 (حلقة واحدة مكونة من 150 خطوة) وتحسناً بنسبة 1.25 ضعف في المجموعة 4 (خمس حلقات مكونة من 30 خطوة).
• ديناميكيات التعلم: أظهرت الشبكات العصبية البيولوجية تقدماً واضحاً في التعلم، لا سيما عندما تم توزيع التعلم عبر حلقات متعددة مع فترات راحة (المجموعة 4)، مما يشير إلى ظهور عمليات تكيف طويلة الأمد. وأظهرت المسارات السلوكية تحولاً من الحركة العشوائية إلى الاستخدام الاستراتيجي لإجراء "التحرك للأمام" للحصول على الأهداف.
• النشاط العصبي: بحلول الحلقة النهائية، تحول نشاط الشبكة من كونه مركزاً بالقرب من أقطاب الترميز إلى أن يصبح متنوعاً وموزعاً عبر مناطق فك التشفير، مما يشير إلى نجاح التكيف مع الحالة الداخلية.

الأهمية والادعاءات

يدعي البحث تقديم أول عملية تحسين للمعلمات لتكوينات الترميز لوكلاء الشبكات العصبية البيولوجية في بيئة مغلقة الحلقة. وتتمثل مساهماته الرئيسية في:

1. تأسيس الإطار: يوفر تعريفاً نظامياً رسمياً للحوسبة العصبية المتجسدة يتجاوز مجرد إثبات المفهوم المنعزل للتحفيز إلى نهج تحسين هيكلي متعدد المتغيرات.
2. الأساس القائم على البيانات: من خلال فحص حوالي 1,300 تكوين، تؤسس الدراسة لأساس قائم على البيانات لفهم كيفية اقتران معلمات الترميز مع الفيزياء الحيوية للشبكة لإنتاج مرونة وتعلم قويين.
3. التحقق من الأداء: تُظهر النتائج أن الركائز العصبية الحية، عندما يتم ربطها بشكل صحيح، يمكنها دعم سلوك موجه نحو الأهداف والتفوق على خوارزميات التعلم التعزيزي القياسية القائمة على السيليكون تحت ميزانيات تدريب متكافئة.
4. المسار المستقبلي: يدعم هذا العمل تطوير بنيات هجينة (حيوية-سيليكون) قادرة على الحوسبة الفعالة والتكيفية وفي الوقت الفعلي. ويشير إلى أن الإمكانات الحوسبية للشبكات العصبية البيولوجية ليست كامنة فقط في البيولوجيا، بل تعتمد بشكل حاسم على بنية الواجهة بين البيولوجيا والسيليكون.

يظل المؤلفون متواضعين فيما يتعلق بالقدرة على التعميم، مشيرين إلى أن الدراسة الحالية استخدمت مدخلات حسية منخفضة الأبعاد (قياسية). كما يقرون بأن مساحة البحث كانت مقيدة بالخبرة في المجال، وأن التبعيات الزمنية الكامنة وراء التحسينات في الحلقات المتعددة تتطلب مزيداً من التوصيف. ومع ذلك، فإنهم يفترضون أن هذا العمل يضع حجر الأساس للتحقق المنهجي المستقبلي في بيئات أكثر تعقيداً وتطوير معايير قياسية للمجال بأكمله.