Technisches Fazit: Embodied Neurocomputation

Problemstellung

Biologische neuronale Netze (BNNs) bieten ein vielversprechendes Substrat für die Informationsverarbeitung, das sich durch hohe Anpassungsfähigkeit, Energieeffizienz und ausgeprägte Lernmechanismen im Vergleich zu herkömmlichen siliziumbasierten Architekturen auszeichnet. Ein fundamentales Hindernis verhindert jedoch die breite Nutzung von BNNs für die Neurocomputing: das Fehlen optimaler Kodierungs- und Dekodierungsmechanismen zur Schnittstelle zwischen der digitalen Welt und der lebenden Biologie. Während die Dekodierung von Netzwerkaktivitäten Fortschritte gemacht hat, bleibt die umgekehrte Herausforderung – die Übersetzung struktureller digitaler Daten in sinnvolle elektrische Stimuli für biologische Netze – aufgrund der adaptiven, verrauschten und nicht-stationären Natur biologischer Systeme schwierig. Aktuelle Ansätze verlassen sich häufig auf heuristische oder ad-hoc-Stimulationsprotokolle mit stark eingeschränkten Parametern, wodurch der weite, mehrdimensionale Parameterraum der biologischen Kodierung (Frequenz, Amplitude, Impulsbreite, Wellenform, spatiotemporale Verteilung) weitgehend unerforscht und nicht optimiert bleibt.

Methodik: Das Embodied-Neurocomputation-Framework

Die Autoren schlagen ein System-Level-Framework vor, das als Embodied Neurocomputation bezeichnet wird und die bio-digitale Schnittstelle als ein Mehrvariablen-Optimierungsproblem konzeptualisiert. Das Framework modelliert die Neurocomputing $f(\cdot; \theta_t)$ als eine sequenzielle Vorwärtsabbildung, die eine Eingabesequenz ($x_t$) durch vier voneinander abhängige Module in eine Ausgabesequenz ($y_t$) transformiert:

1. Kodierung ($e$): Transformiert aufgaben spezifische Informationen in elektrische Stimulationsmatrizen ($u_t$), die mit Mikro-Elektroden-Arrays (MEAs) kompatibel sind. Dies umfasst Parameter für Stimulationsfrequenz, Amplitude, Impulsbreite und zeitliche Verteilung.
2. Biologische Transformation ($b$): Die intrinsischen, nicht-stationären Dynamiken des BNN, die Stimuli auf eine Antwortmatrix ($v_t$) abbilden. Diese Abbildung entwickelt sich über die Zeit basierend auf Stimulationshistorie, Feedback und spontaner Anpassung und wird als qualitative Reorganisation von Informationen modelliert, nicht als einfache lineare Filterung.
3. Dekodierung ($d$): Transformiert die biologische Antwort (elektrische Potentiale oder Spike) zurück in aufgabenrelevante Ausgaben.
4. Feedback ($r$): Eine spezialisierte Form der Kodierung, die nach einer Antwort geliefert wird, um Anpassung zu steuern. Sie kann verstärkend (strukturierte Stimulierung für positive Belohnungen) oder plastizitätsinduzierend (zufällige Stimulierung für negative Belohnungen) sein.

Das Framework behandelt die Konfiguration dieser Module als ein zeitabhängiges Optimierungsproblem, bei dem das Ziel darin besteht, den optimalen Satz von Transformationen ($\theta_t = \theta_e \cup \theta_{b,t} \cup \theta_d \cup \theta_r$) zu finden, um ein rechnerisches Ziel zu erreichen.

Empirische Evaluation

Zur Validierung dieses Frameworks führten die Autoren eine groß angelegte empirische Studie durch, die Folgendes umfasste:

• Aufgabe: Eine simulierte zielgerichtete Navigationsaufgabe in einer 6x6-Gitterwelt. Ein Agent (das BNN) navigiert zu einer „Nahrungsquelle", geleitet von einem skalaren „Geruchssensor". Aktionen umfassen Vorwärtsbewegung, Linkskurve oder Rechtskurve.
• Skala: 26 einzelne BNN-Kulturen, verbunden über die Cortical Labs CL1-Plattform.
• Optimierung: Eine automatisierte Hyperparameter-Optimierungspipeline (unter Verwendung von Optuna) screenete etwa 1.300 Kodierungskonfigurationen über 4.000 Stunden Echtzeit-Interaktion.
• Prozess:
  • Stufe 1: Screening von 1.296 Parameterkombinationen über zwei verschiedene biophysikalische Setups (Gruppen 1 & 2) unter Verwendung einer kurzen 30-Schritt-Episode.
  • Stufe 2: Verfeinerung der Top-64-Parameter zu einem finalen Satz von 12 Konfigurationen, evaluiert unter längeren (150 Schritte) und multi-episodischen Bedingungen (5 Episoden mit Ruhephasen) (Gruppen 3 & 4).
• Basislinien: Die Leistung wurde mit nicht-adaptiven Kultur-Basislinien (wiedergegebene spontane Aktivität, simulierte zufällige Spike) und optimierten siliziumbasierten Deep Q-Network (DQN)-Agenten verglichen, die mit einer äquivalenten Anzahl von Interaktionsschritten trainiert wurden.

Wichtige Ergebnisse

1. Identifikation optimaler Parameter

Mittels SHAP (SHapley Additive exPlanations)-Analyse der Daten aus Stufe 1 identifizierten die Autoren, dass die maximale Frequenz für die Ratenkodierung der stärkste Treiber der Leistung war und moderate Werte (40–60 Hz) begünstigte. Weitere Faktoren, die eine hohe Leistung unterstützten, waren höhere Stimulationsamplitude, kürzere Impulsbreite und schnellere Umweltinteraktionsraten. Diese Analyse reduzierte den Suchraum von 1.296 auf 12 konsistente, hochleistungsfähige Konfigurationen.

2. Überlegene Leistung optimierter BNNs

• vs. Basislinien: Optimierte biologische Agenten schnitten signifikant besser ab als nicht-adaptive Kultur-Basislinien (um das 3,6- bis 5,6-fache, je nach Gruppe).
• vs. Silizium (DQN): Optimierte BNN-Agenten erzielten eine signifikant höhere Aufgabenerfüllung als DQN-Agenten, die mit der gleichen Anzahl von Interaktionsschritten trainiert wurden. Insbesondere zeigten BNNs eine Verbesserung um das 1,18-fache in Gruppe 3 (einzelne 150-Schritt-Episode) und eine Verbesserung um das 1,25-fache in Gruppe 4 (fünf 30-Schritt-Episoden).
• Lern-Dynamik: BNNs zeigten einen klaren Lernfortschritt, insbesondere wenn das Lernen über mehrere Episoden mit Ruhephasen verteilt war (Gruppe 4), was auf das Entstehen längerfristiger adaptiver Prozesse hindeutet. Verhaltensspuren zeigten einen Wandel von zufälliger Bewegung zur strategischen Nutzung der „Vorwärtsbewegung"-Aktion zum Erreichen von Zielen.
• Neuronale Aktivität: Bis zur letzten Episode verlagerte sich die Netzwerkaktivität von einer Lokalisierung nahe den Kodierungselektroden hin zu einer vielfältigen und über Dekodierungsregionen verteilten Aktivität, was eine erfolgreiche interne Zustandsanpassung anzeigt.

Bedeutung und Behauptungen

Die Arbeit behauptet, die erste groß angelegte Parameteroptimierung von Kodierungskonfigurationen für BNN-Agenten in einer geschlossenen Schleife vorzustellen. Ihre Hauptbeiträge sind:

1. Etablierung eines Frameworks: Sie liefert eine formale, systemweite Definition von Embodied Neurocomputation, die über isolierte Proof-of-Concept-Stimulierung hinausgeht und einen strukturierten, Mehrvariablen-Optimierungsansatz verfolgt.
2. Datengetriebene Grundlage: Durch das Screening von ca. 1.300 Konfigurationen legt die Studie eine datengetriebene Grundlage für das Verständnis, wie Kodierungsparameter mit der Netzwerkbio physik koppeln, um robuste Plastizität und Lernen zu erzeugen.
3. Leistungsvalidierung: Die Ergebnisse zeigen, dass lebende neuronale Substrate, wenn sie korrekt gekoppelt sind, zielgerichtetes Verhalten unterstützen und Standard-Silizium-Reinforcement-Learning-Algorithmen unter äquivalenten Trainingsbudgets übertreffen können.
4. Zukünftige Entwicklung: Die Arbeit unterstützt die Entwicklung hybrider bio-siliziumbasieller Architekturen, die effiziente, adaptive und Echtzeit-Berechnungen ermöglichen. Sie legt nahe, dass das rechnerische Potenzial von BNNs nicht allein der Biologie inhärent ist, sondern kritisch von der Struktur der bio-siliziumbasierten Schnittstelle abhängt.

Die Autoren bleiben bezüglich der Generalisierbarkeit bescheiden und stellen fest, dass die aktuelle Studie niedrigdimensionale, skalare sensorische Eingaben nutzte. Sie erkennen an, dass der Suchraum durch Domänenexpertise eingeschränkt war und dass die zeitlichen Abhängigkeiten, die den Verbesserungen über mehrere Episoden zugrunde liegen, weiterer Charakterisierung bedürfen. Dennoch gehen sie davon aus, dass diese Arbeit den Grundstein für zukünftige systematische Validierungen in zunehmend komplexeren Umgebungen und die Entwicklung von branchenweiten Benchmarks für Neurocomputing legt.