Living deep reservoir computing by microfluidic axon routing

يُعد الدماغ البشري أعجوبة من أعاجيب الهندسة البيولوجية، فهو قادر على إجراء حسابات معقدة، وتخزين الذكريات، واتخاذ القرارات مع استهلاك جزء ضئيل من الطاقة التي تتطلبها أقوى الحواسيب الفائقة في العالم. وينبع هذا الكفاءة من كيفية بناء الدماغ: مليارات الخلايا العصبية، أو العصبونات، المتصلة في شبكات واسعة ومعقدة حيث تحدث الذاكرة والحساب في آن واحد عند نفس تلك الوصلات الصغيرة. لعقود من الزمن، حاول العلماء محاكاة هذا العبقرية البيولوجية باستخدام رقائق السيليكون، عبر إنشاء أجهزة حاسوبية متخصصة تحاول نسخ بنية الدماغ. ومع ذلك، لا تزال هذه الأنظمة الإلكترونية تكافح لمضاهاة الكفاءة الخام والقدرة على التكيف التي تتميز بها الأنسجة الحية. ولتجسير هذه الفجوة، بدأ الباحثون في استكشاف مسار مختلف: استخدام عصبونات حقيقية حية مستزرعة في المختبر كمادة حوسبية في حد ذاتها. وقد تمثل التحدي في هذا النهج في أن العصبونات الحية، عند نموها في طبق مخبري، تميل إلى الاتصال بشكل عشوائي، مما يجعل من الصعب التحكم في كيفية تدفق المعلومات من خلالها. وبدون اتجاه واضح لهذه الإشارات، تتحول الشبكة إلى ما يشبه فوضى عارمة بدلاً من كونها حاسوباً منظماً، مما يحد من قدرتها على حل المشكلات المعقدة.

لقد طور فريق من الباحثين الآن طريقة لإضفاء النظام على هذه الفوضى البيولوجية، عبر إنشاء حاسوب حي يعالج المعلومات في اتجاه محدد ومستمر للأمام. قاموا بتنمية شبكات من عصبونات الفئران داخل شريحة ميكروفلويديك (مائعية دقيقة) متخصصة، وهي جهاز يحتوي على قنوات مجهرية تعمل كطرق للخلايا العصبية. ومن خلال تصميم هذه الطرق بوابات أحادية الاتجاه، أجبر العلماء العصبونات على نمو اتصالاتها في اتجاه واحد، من طبقة مدخلات إلى طبقة مخرجات، محاكيةً بذلك البنية العميقة والمتعددة الطبقات الموجودة في أنظمة الذكاء الاصطناعي المتقدمة. هذا الإعداد، الذي يسمسبونه بـ "الخزان العميق الحي"، يسمح للشبكة البيولوجية بمعالجة الإشارات المعقدة في مراحل، حيث تقوم بتصفية وتحويل المعلومات أثناء انتقالها للأمام. ولاختبار ما إذا كان هذا التحكم الاتجاهي يجعل الحاسوب أكثر ذكاءً بالفعل، قارنوا النتائج بمجموعة ضابطة حيث سُمح للعصبونات بالنمو في كلا الاتجاهين، مما خلق شبكة ثنائية الاتجاه أقل تنظيماً. وأظهرت النتائج أن الشبكة الموجهة أحادية الاتجاه كانت أفضل بكثير في مهمتين صعبتين: التنبؤ بالسلوك الفوضوي لنظام رياضي، وتحديد أنواع الموسيقى المختلفة من مقاطع صوتية.

بنى الباحثون نظامهم باستخدام شريحة ميكروفلويديك تشبه متاهة شفافة صغيرة. وفي داخل هذه المتاهة، استزرعوا عصبونات أولية مأخوذة من أجنة الفئران. ولجعل هذه الخلايا مستجيبة للضوء ومرئية للكاميرات، أدخلوا جينات محددة حولت العصبونات إلى مفاتحات حساسة للضوء وجعلتها تتوهج عند إطلاق الإشارات. صُممت الشريحة بعدة غرف متصلة بقنوات ضيقة. وفي المجموعة التجريبية، تم تشكيل هذه القنوات بحواجز مثلثية صغيرة ونهايات منحنية مسدودة تمنع فيزيائياً المحاور العصبية — وهي الامتدادات الطويلة للعصبونات — من النمو إلى الوراء. ضمن هذا التصميم أن الإشارات يمكن أن تنتقل فقط من الغرفة الأولى إلى الثانية، وهكذا دواليك، مما يخلق تسلسلاً هرمياً صارماً. أما في المجموعة الضابطة، فقد كانت القنوات عبارة عن أنابيب مستقيمة بسيطة، مما سمح للعصبونات بالنمو في كلا الاتجاهين وخلق شبكة يمكن للإشارات فيها الارتداد ذهاباً وإياباً دون مسار واضح. وقد تم ربط كلا النظامين بواجهة متطورة يمكنها عرض أنماط من الضوء الأزرق على الطبقة الأولى من العصبونات لإرسال المعلومات، وكاميرا تراقب توهج الشبكة بأكملها لتسجيل المخرجات.

ولمعرفة مدى كفاءة هذه الحواسيب الحية، طلقت الفريق مهمتين لحل مشكلتين مختلفتين تماماً. كانت الأولى اختبار التنبؤ بالسلاسل الزمنية الفوضوية، وهي نوع من الإشارات التي تتغير بطريقة معقدة وغير متوقعة، تماماً مثل الطقس أو أسواق المال. قاموا بتحويل البيانات إلى تتابعات من النبضات الضوئية وضخوها في الطبقة الأولى من العصبونات. وقد تمكن "الخزان العميق الحي"، بفضل قنواته أحادية الاتجاه، من تتبع التحركات المستقبلية للإشارة بدقة أكبر من المجموعة الضابطة. ومع إضافة الباحثين لمزيد من الطبقات إلى الشبكة، تحسن أداء النظام الموجه، بينما عانى النظام ثنائي الاتجاه لمواكبة ذلك. أما المهمة الثانية فكانت الاستماع إلى الموسيقى؛ حيث طُلب من النظام تحديد ما إذا كان المقطع الصوتي القصير ينتمي لنمط البلوز، أو الموسيقى الكلاسيكية، أو موسيقى الريف (الكانتري). قام الباحثون بتحويل الموجات الصوتية إلى أنماط من الضوء التي تنشط العصبونات. ومرة أخرى، تفوق الخزان العميق الحي على المجموعة الضابطة، حيث نجح في تحديد النوع الموسيقي بشكل صحيح في كثير من الأحيان، وأظهر قدرة متوازنة على التعرف على الأنماط المختلفة، حتى عندما كانت الأغاني المقدمة جديدة على النظام.

ويبدو أن مفتاح هذا النجاح يكمن في بنية الشبكة نفسها. فمن خلال إجبار العصبونات على الاتصال في اتجاه واحد، خلق الباحثون نظاماً تُعالج فيه المعلومات في مراحل، حيث تقوم كل طبقة بتنقية الإشارة قبل تمريرها إلى الطبقة التالية. سمحت هذه المعالجة الهرمية للشبكة ببناء فهم أغنى للبيانات المدخلة، تماماً كما تعمل خوارزميات التعلم العميق في الذكاء الاصطناعي الحديث. وأظهر تحليل نشاط الشبكة أن النظام الموجه حافظ على مستوى أعلى من التنظيم، أو "النمطية"، مما يعني أن الأجزاء المختلفة من الشبكة عملت معاً بشكل أكثر تماسكاً. في المقابل، أظهرت المجموعة الضابطة ثنائية الاتجاه إطلاقاً عصبياً أكثر فوضوية وتزامناً، وهو ما لم يدعم نفس المستوى من الحوسبة المعقدة. وتثبت هذه الدراسة أن البنية الفيزيائية للشبكة البيولوجية لا تقل أهمية عن الخلايا نفسها؛ فبمجرد توجيه كيفية نمو العصبونات، يمكن للعلماء تعزيز القدرة الحوسبية للأنسجة الحية بشكل كبير.

لا يدعي هذا العمل بناء دماغ بيولوجي كامل الوظائف، ولا يشير إلى أن هذه الرقائق الحية ستحل محل حواسيب السيليكون على الفور. بدلاً من ذلك، فإنه يقدم إثباتاً للمفهوم بأن مبادئ التعلم العميق يمكن تطبيقها على الشبكات العصبية الحية من خلال التصميم الفيزيائي. لقد أظهر الباحثون أنه من خلال تقييد نمو العصبونات لتتبع مسار محدد، استطاعوا إنشاء نظام بيولوجي قادر على معالجة المعلومات ببراعة، وهو ما لم تستطع الشبكة العشوائية تحقيقه. وهذا يفتح آفاقاً جديدة للبحث في كيفية معالجة الأنظمة البيولوجية للمعلومات، ويقدم مساراً محتملاً نحو إنشاء أجهزة حوسبة مستوحاة من الدماغ وعالية الكفاءة، تجمع بين قدرة الخلايا الحية على التكيف ودقة الهياكل الهندسية. وتشير النتائج إلى أن مستقبل الحوسبة الهجينة-الحيوية قد لا يكمن فقط في الخلايا التي نستخدمها، بل في الطرق التي نبنيها لكي تسلكها تلك الخلايا.