Low-latency neuromorphic closed-loop control of hippocampal ripples in vivo
Diese Studie präsentiert ein vollständig integriertes, latenzarmes neuromorphes Framework, das energieeffiziente Spiking Neural Networks nutzt, um hippocampale Ripples in wachen Mäusen in Echtzeit zu detektieren und zu manipulieren, wobei eine Closed-Loop-Steuerung mit signifikant geringerem Energieverbrauch als konventionelle Deep-Learning-Ansätze erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich Ihr Gehirn wie eine geschäftige, superschnelle Stadt vor, in der Milliarden winziger Boten umherlaufen und Notizen austauschen, um den reibungslosen Ablauf aufrechtzuerhalten. Manchmal verfallen diese Boten in einen rhythmischen, Hochgeschwindigkeits-Tanz, der als „Oszillation“ bezeichnet wird. Einer der wichtigsten Tänze findet in einem Teil des Gehirns statt, der den Hippocampus, der wie die Bibliothek der Stadt zur Speicherung von Erinnerungen fungiert. Diese Tänze, bekannt als „Ripples“ (Wellen), sind sehr kurz und sehr schnell – sie dauern nur einen Augenblick (etwa 30 bis 100 Millisekunden) und bewegen sich mit hoher Geschwindigkeit (100 bis 250 Mal pro Sekunde). Wissenschaftler glauben, dass wir diese Ripples genau im richtigen Moment abfangen und sie sanft anstoßen können, um Gedächtnisprobleme zu beheben oder Hirnerkrankungen wie Epilepsie zu stoppen.
Aber hier liegt der Haken: Diese Ripples sind so schnell, dass ein gewöhnlicher Computer bereits bemerkt, berechnet und ein Signal zurückgesendet hat, bevor der Tanz schon wieder vorbei ist. Es ist, als versuche man, einen Kolibri mit einem Netz aus schwerem Blei zu fangen; der Vogel ist bereits weg, bevor man überhaupt zuschlägt. Um dies zu lösen, benötigen Wissenschaftler eine neue Art von „Gehirn“ für ihre Computer – eines, das wie ein biologisches Gehirn denkt und sofort auf Ereignisse reagiert, ohne zu warten. Dies wird „neuromorphes Computing“ genannt. Es ist, als würde man einen langsamen, schweren Lastwagen gegen eine Flotte winziger, blitzschneller Drohnen austauschen, die in die Stadt sausen, sobald sie eine Ripple sehen, bereit, sofort einzugreifen.
In dieser Studie hat ein Forscherteam genau ein solches System gebaut. Sie entwickelten ein winziges, supereffizientes digitales Gehirn unter Verwendung eines speziellen Chips namens SpiNNaker, der die Funktionsweise echter Neuronen nachahmt. Sie brachten dieses digitale Gehirn bei, jene flüchtigen hippocampalen Ripples in Echtzeit zu erkennen. Die Ergebnisse waren beeindruckend: Ihr winziges digitales Gehirn, das nur 41 Neuronen verwendete (im Vergleich zu den Millionen in einem Standard-Deep-Learning-Modell), konnte die Ripples genauso gut erkennen wie viel größere, energiehungrigere Computer. Noch besser: Es tat dies bei einem bis zu 20 \times geringeren Energieverbrauch.
Doch das Erkennen der Ripple ist nur die halbe Miete; die wahre Magie geschieht, wenn das System die Ripple tatsächlich verändert. Die Forscher verbanden ihr digitales Gehirn mit dem Gehirn einer lebenden Maus. Wenn ihr System eine Ripple entdeckte, löste es sofort ein Lichtsignal aus, um die beteiligten Gehirnzellen sanft zu hemmen (zu verlangsamen). In ihren optimierten Simulationen zeigte das System das Potenzial, bei bis zu 80 % der Ripples einzugreifen, bevor diese endeten. In den Experimenten mit der lebenden Maus, bei denen die Geschwindigkeit des Systems durch seinen ursprünglichen Aufbau begrenzt war, konnte es dennoch die Dynamik der längsten von ihm erkannten Ripples erfolgreich verändern. Konkret zeigte es einen starken Trend zur Reduzierung der Energie der Ripple und zur Veränderung ihres „Tanzes“, obwohl diese Reduktion in der Primäranalyse die statistische Signifikanz knapp verfehlte. Obwohl das System noch nicht perfekt ist – es übersieht manchmal eine Ripple oder lässt sich durch Hintergrundrauschen verwirren – beweist es, dass wir endlich ein Closed-Loop-System bauen können, das schnell genug ist, um in Echtzeit mit dem Gehirn zu kommunizieren. Dies deutet auf eine Zukunft hin, in der wir diese winzigen, energieeffizienten digitalen Gehirne nutzen können, um Menschen mit neurologischen Störungen zu helfen, indem wir direkt mit ihrer Gehirnaktivität interagieren, sobald sie geschieht, anstatt sie nur aus der Ferne zu beobachten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.