Digital Twins for Fungal Computing: Viable XOR Regimes, Parameter Inference, and Waveform-Guided Rediscovery

Diese Studie stellt einen Digital-Twin-Workflow für Pilznetzwerke vor, der durch Identifizierung von XOR-fähigen Parameterräumen, Inferenz latenter biophysikalischer Parameter aus elektrischen Daten und waveform-gesteuerte Verfeinerung die Zuverlässigkeit und Spezifität des Designs für unkonventionelles Pilzcomputing nachweislich verbessert.

Das Wesentliche

🍄 Der Pilz als Computer: Eine digitale Zwilling-Geschichte

Stell dir vor, du möchtest aus lebenden Pilzfasern (Myzel) einen Computer bauen. Das klingt verrückt, aber Pilze sind erstaunlich: Sie senden elektrische Signale aus, reagieren auf Reize und können sogar einfache Rechenaufgaben lösen. Das Problem ist nur: Jeder Pilz ist anders.

Ein Pilz, der heute eine logische Aufgabe perfekt löst, kann morgen oder bei einem anderen Exemplar völlig versagen. Es ist, als würdest du versuchen, aus jedem einzelnen, wild wachsenden Baum einen perfekten Stuhl zu schnitzen. Ohne Plan geht das nicht.

Genau hier kommt die Idee des „Digitalen Zwillinges" ins Spiel.

1. Der Digitale Zwilling: Der Simulator im Computer

Statt mit echten, lebenden Pilzen zu experimentieren (was langsam und chaotisch ist), bauen die Forscher einen perfekten virtuellen Kopierer im Computer.

• Die Analogie: Stell dir vor, du bist ein Architekt, der ein Haus aus Lehm bauen will. Bevor du den ersten Ziegel setzt, baust du ein detailliertes 3D-Modell am Computer. Du kannst dort testen: „Was passiert, wenn ich den Regen zu stark mache?" oder „Hält die Wand, wenn der Wind weht?".
• In diesem Papier ist der „Lehm" der Pilz und das „3D-Modell" der digitale Zwilling. Er simuliert, wie der Pilz elektrisch reagiert.

2. Die große Herausforderung: Der XOR-Schalter

Die Forscher wollten testen, ob dieser Pilz-Computer eine spezielle Rechenaufgabe lösen kann: das XOR-Gatter.

• Einfach erklärt: Ein XOR-Schalter ist wie ein Lichtschalter, der nur dann leuchtet, wenn genau einer von zwei Schaltern gedrückt ist. Wenn beide gedrückt sind oder keiner, bleibt es dunkel.
• Das ist für Pilze schwer, weil sie Signale normalerweise nur addieren (wie ein Lautsprecher, der lauter wird, wenn man mehr Leute hineinschreit). XOR erfordert aber eine intelligente „Entscheidung", die nicht linear ist. Es ist der „Härtetest" für einen biologischen Computer.

3. Die drei Schritte der Lösung

Die Forscher haben einen dreistufigen Plan entwickelt, um aus dem Chaos der Pilze funktionierende Computer zu machen:

Schritt A: Die Schatzkarte finden (Parameter-Regime)
Sie haben 160 verschiedene virtuelle Pilze simuliert und tausende Einstellungen getestet.

• Das Ergebnis: Sie haben eine Art „Schatzkarte" erstellt. Sie zeigen, dass nur bestimmte Kombinationen von Pilz-Eigenschaften (wie schnell sie sich erholen oder wie stark sie leiten) funktionieren. Es ist nicht ein perfekter Pilz, sondern eine ganze Familie von Pilzen, die funktionieren können.
• Die Metapher: Es ist wie beim Kochen. Du kannst nicht einfach irgendeine Menge Salz nehmen. Du musst wissen, dass zwischen 3 und 5 Gramm der perfekte Bereich liegt. Alles andere schmeckt nicht.

Schritt B: Den Pilz „abtasten" (Rückwärts-Inferenz)
Jetzt kommt der spannende Teil: Wie finden wir heraus, welche Eigenschaften unserer echten Pilze im Labor sind, ohne sie zu zerstören?

• Die Forscher haben den digitalen Zwilling mit drei verschiedenen „Elektroden-Tests" gequält (kurze Stromstöße, Doppel-Stöße und eine langsame Spannungsspannung).
• Die Analogie: Stell dir vor, du hast eine verschlossene Kiste (den Pilz). Du klopfst an verschiedene Stellen (die Tests) und hörst, wie es klingt. Ein KI-Algorithmus (ein sehr schlauer Detektiv) hört sich das Klopfen an und sagt: „Aha! Wenn es so klingt, dann muss das Holz innen 5 Jahre alt sein und 30% Feuchtigkeit haben."
• Das Ergebnis: Der KI-Detektiv konnte die wichtigsten inneren Werte (wie die Geschwindigkeit der Erholung) sehr gut erraten. Andere Werte (wie der genaue Widerstand) waren schwerer zu erraten, aber das war okay (siehe Schritt C).

Schritt C: Das Feintuning (Wellenform-Matching)
Die KI-Vorhersage war gut, aber nicht perfekt. Also haben sie den digitalen Zwilling noch einmal „feinjustiert".

• Die Analogie: Stell dir vor, du hast eine grobe Skizze eines Gesichts gezeichnet. Dann legst du ein Foto des echten Menschen darüber und korrigierst die Nase und die Augen, bis sie exakt übereinstimmen.
• Durch diesen Schritt passte sich der digitale Zwilling so genau an den echten Pilz an, dass die Fehlerquote von über 16 % auf unter 9 % sank. Das ist ein riesiger Erfolg!

4. Die wichtige Erkenntnis: Was ist wirklich wichtig?

Die Forscher haben eine Sensitivitätsanalyse gemacht. Sie haben gefragt: „Was passiert, wenn wir einen Wert im digitalen Zwilling leicht falsch einschätzen?"

• Die Überraschung: Die Werte, die am schwersten zu erraten waren (z. B. die genaue Spannungsskala), waren auch die unwichtigsten für die Rechenleistung.
• Die Metapher: Wenn du ein Auto fährst, ist es wichtig, dass der Motor richtig eingestellt ist (das war leicht zu erraten). Es ist aber egal, ob der Lack genau 0,01 mm dicker ist als gedacht (das war schwer zu erraten). Der Fehler im Lack bringt dich nicht davon ab, das Ziel zu erreichen.
• Das bedeutet: Selbst wenn unsere Messungen nicht zu 100 % perfekt sind, funktioniert der digitale Zwilling trotzdem gut genug, um den Pilz zu steuern.

Fazit: Was bringt uns das?

Dieser Papier ist wie ein Bauplan für die Zukunft.
Es zeigt uns, dass wir nicht mehr blindlings mit lebenden Pilzen experimentieren müssen. Stattdessen können wir:

1. Einen digitalen Zwilling bauen.
2. Den echten Pilz kurz „abtasten".
3. Den Zwilling anpassen.
4. Dem echten Pilz sagen: „Hey, leg deine Fühler genau hier hin, dann kannst du rechnen!"

Es ist ein erster, großer Schritt hin zu Computern, die aus lebender Natur bestehen, aber so zuverlässig funktionieren wie unsere heutigen Silizium-Chips. Die Pilze bleiben wild und lebendig, aber wir lernen, ihre Sprache zu verstehen und sie für unsere Zwecke zu nutzen.

Technische Zusammenfassung

Titel: Digitale Zwillinge für pilzbasiertes Computing: Viable XOR-Regime, Parameterschätzung und wellenformgesteuerte Wiederentdeckung

Autoren: Kiran Bhattacharyya (SKA Labs, Atlanta, GA, USA)

---

1. Problemstellung

Pilzsubstrate (Myzel-Netzwerke) gelten als vielversprechende Kandidaten für das unkonventionelle Computing, da sie als adaptive, erregbare Systeme fungieren und logische Operationen durch die Ausbreitung von Signalen realisieren können. Ein zentrales Hindernis für die reproduzierbare Herstellung von Logikgattern in pilzbasierten Computern ist jedoch die hohe Variabilität zwischen einzelnen Exemplaren. Unterschiede in der Netzwerktopologie, der Erregbarkeit, den Erholungszeitskalen und der adaptiven Leitfähigkeit führen dazu, dass eine Elektrodenkonfiguration, die bei einem Exemplar funktioniert, bei einem anderen versagt.

Das Ziel dieser Arbeit ist es, einen digitalen Zwilling (Digital Twin) zu entwickeln, der es ermöglicht, diese Variabilität zu überwinden, indem er als computergestützter Surrogat-Modell dient, um:

1. Parameterbereiche zu identifizieren, die logische Operationen unterstützen.
2. Latente biophysikalische Parameter aus elektrischen Messdaten abzuleiten.
3. Spezifische Exemplare durch Wellenform-Abgleich zu kalibrieren.

Als Testfall wurde das XOR-Logikgatter gewählt, da es linear unseparabel ist und somit eine nicht-triviale Prüfung der nichtlinearen Rechenfähigkeit des Substrats darstellt.

---

2. Methodik

Modellierung des Pilznetzwerks

Das Myzel wird als zufälliger geometrischer Graph $G=(V, E)$ in einem 20x20 mm² Bereich modelliert.

• Knoten: Repräsentieren Hyphen-Knotenpunkte und folgen der FitzHugh-Nagumo (FHN)-Dynamik (beschrieben durch schnelle Spannungsvariable $v_i$ und langsame Erholungsvariable $w_i$).
• Kanten: Besitzen einen memristiven Zustand $m_{ij}$, der die effektive Leitfähigkeit $g_{ij}$ basierend auf der Spannungshistorie moduliert.
• Parameter: Das Modell umfasst acht latente biophysikalische Parameter: $\tau_v, \tau_w, a, b$ (FHN-Parameter), $v_{scale}$ (Spannungsskalierung), $R_{off}, R_{on}$ (Widerstandszustände) und $\alpha$ (Memristor-Anpassungsrate).

Workflow-Phasen

1. Entdeckung viableer XOR-Regime:

   • Eine systematische Optimierung an 160 simulierten Exemplaren (verschiedene Netzwerkgroßen: 20–120 Knoten).
   • Einsatz von Bayesian Optimization (Gauß-Prozess-Surrogat) zur Suche nach optimalen Elektrodenpositionen, Stimulationsspannungen, Pulsdauern und Verzögerungen.
   • Definition von "Viable" (lebensfähig): Die oberen 25 % der XOR-Scores.

2. Charakterisierung und Parameterschätzung (Inverse Modellierung):

   • Generierung von 400 simulierten Exemplaren.
   • Anwendung dreier elektrischer Charakterisierungsprotokolle zur Extraktion von 94 Merkmalen:
     • Schrittantwort (Step Response): Dauerhafter Spannungsimpuls (Transiente Erregung).
     • Gepaarte Pulse (Paired-Pulse): Zwei kurze Pulse mit variierenden Intervallen (Erholung und Facilitation).
     • Dreiecks-Scan (Triangle Sweep): Linearer Spannungsanstieg und -abfall (Hysterese/Memristor-Verhalten).
   • Maschinelles Lernen: Training von Random Forest- und MLP-Regressoren zur Vorhersage der 8 latenten Parameter aus den 94 Merkmalen.

3. Sensitivitätsanalyse:

   • Untersuchung, wie stark eine Störung (±5% bis ±30%) einzelner Parameter die XOR-Genauigkeit des digitalen Zwillings beeinflusst.

4. Rediscovery-Validierung (Wiederentdeckung):

   • Test an 15 optimierten Exemplaren (20–50 Knoten).
   • Vergleich dreier Bedingungen:
     • Oracle: Wahre Parameter.
     • ML only: Vorhersage nur durch ML aus Charakterisierungsdaten.
     • ML + Refine: ML-Vorhersage gefolgt von einer lokalen Verfeinerung durch Wellenform-Abgleich (Dual Annealing), um die Diskrepanz zwischen simulierter und gemessener Antwort zu minimieren.

---

3. Wichtige Ergebnisse

Viableer Parameterbereich

• XOR-fähige Exemplare konzentrieren sich in einem stark eingeschränkten Teil des Parameterraums.
• Die viableen Bereiche decken nur ca. 56 % des Suchbereichs für $\tau_v$ und 60 % für $\tau_w$ ab.
• Es wurde eine Bimodalität bei vier Parametern ($\tau_v, b, v_{scale}, R_{off}$) beobachtet, was darauf hindeutet, dass es mehrere dynamische Regime gibt, die äquivalentes XOR-Verhalten erzeugen können (keine einzelne "optimale" Lösung).

Parameterschätzung (Identifizierbarkeit)

• Hohe Genauigkeit: Die Random-Forest-Modelle konnten die Zeitkonstanten und den Erregungsschwellenwert zuverlässig vorhersagen:
  • $\tau_v$: $R^2 = 0.912$
  • $\tau_w$: $R^2 = 0.816$
  • $a$ (Erregbarkeit): $R^2 = 0.717$
• Schwache Identifizierbarkeit: Die Parameter $v_{scale}$, $R_{on}$ und $R_{off}$ konnten aus den aktuellen Protokollen nicht zuverlässig rekonstruiert werden ($R^2 \le 0.02$).
• Protokoll-Beitrag: Die "Gepaarte-Pulse"-Protokolle waren am informativsten für den Parameter $a$, während die Kombination aus Schrittantwort und Dreiecks-Scan für $\tau_w$ und $\alpha$ am besten war.

Sensitivität und Relevanz

• Eine klare Hierarchie der Parameterbedeutung wurde identifiziert:
  • Kritisch: $\tau_w$ (Erholungszeitkonstante) und $\alpha$ (Memristor-Anpassungsrate) haben den größten Einfluss auf die XOR-Genauigkeit.
  • Unkritisch: $v_{scale}$ und $R_{off}$ haben kaum Einfluss auf die Genauigkeit, auch bei großen Störungen.
• Wichtige Erkenntnis: Die Parameter, die am schwersten zu identifizieren sind ($v_{scale}, R_{off}$), sind auch die am wenigsten kritischen für die Rechenleistung. Umgekehrt sind die am besten identifizierbaren Parameter ($\tau_v, \tau_w, a$) auch die wichtigsten für die Funktion.

Rediscovery-Validierung

• Die Kombination aus ML-Vorhersage und lokaler Wellenform-Verfeinerung führte zu signifikanten Verbesserungen:
  • Reduktion der mittleren Wellenform-Diskrepanz von 1.070 auf 0.042 (96,0 % Verbesserung; $p = 3.1 \times 10^{-5}$).
  • Reduktion des mittleren Kern-Parameterfehlers von 16,6 % auf 8,8 % ($p = 6.1 \times 10^{-5}$).
• Die Verfeinerung verbesserte insbesondere $\tau_w$, $a$, $R_{on}$ und $\alpha$ signifikant.

---

4. Bedeutung und Beiträge

1. Rahmenwerk für reproduzierbares Computing: Die Arbeit stellt einen vollständigen computergestützten Workflow vor, der von der Substrat-Charakterisierung bis zur logischen Gate-Validierung reicht. Dies adressiert das Hauptproblem der Variabilität in der pilzbasierten Hardware.
2. Teilweise Identifizierbarkeit: Es wird gezeigt, dass elektrische Sonden ausreichen, um die für die Logik entscheidenden dynamischen Parameter (Zeitkonstanten, Schwellenwerte) zu rekonstruieren, auch wenn andere Parameter (Widerstandswerte) nicht vollständig identifizierbar sind.
3. Hybrider Ansatz: Die Kombination aus maschinellem Lernen (für die globale Vorhersage) und physikalischer Modellierung (für die lokale Verfeinerung durch Wellenform-Abgleich) erweist sich als hochwirksame Strategie zur Kalibrierung.
4. Praktische Leitlinie für Experimente: Die Studie liefert konkrete Empfehlungen für die experimentelle Charakterisierung:
   • Schrittantwort als Basis.
   • Gepaarte Pulse als wichtigste Ergänzung (für Erregbarkeit).
   • Dreiecks-Scan zur Erfassung von Memristor-Eigenschaften.
5. Zukunftsperspektive: Obwohl der vollständige Transfer eines XOR-Gatters von der Simulation auf ein reales, unbekanntes Exemplar noch aussteht, liefert dieser Ansatz die notwendige Infrastruktur für die systematische Auswahl und Kalibrierung von Substraten für komplexere Aufgaben wie Reservoir Computing.

Fazit: Digitale Zwillinge können bereits jetzt die Suche nach funktionierenden Rechen-Substraten eingrenzen, die zugrundeliegende Dynamik teilweise rekonstruieren und eine exemplarspezifische Verfeinerung unterstützen, ohne dass eine vollständige Übertragung aller physikalischen Parameter notwendig ist.