Living deep reservoir computing by microfluidic axon routing

Das menschliche Gehirn ist ein Wunderwerk biologischer Ingenieurskunst, das in der Lage ist, komplexe Berechnungen durchzuführen, Erinnerungen zu speichern und Entscheidungen zu treffen, während es nur einen winzigen Bruchteil der Energie verbraucht, die die leistungsstärksten Supercomputer der Welt benötigen. Diese Effizienz beruht darauf, wie das Gehirn aufgebaut ist: Milliarden von Nervenzellen, oder Neuronen, sind in riesigen, komplizierten Netzwerken miteinander verbunden, in denen Gedächtnis und Berechnung gleichzeitig an denselben winzigen Verbindungsstellen stattfinden. Jahrzehntelang haben Wissenschaftler versucht, diese biologische Brillanz mit Siliziumchips nachzuahmen, indem sie spezialisierte Computerhardware schufen, die versucht, die Struktur des Gehirns zu kopieren. Diese elektronischen Systeme haben jedoch immer noch Schwierigkeiten, die rohe Effizienz und Anpassungsfähigkeit von lebendem Gewebe zu erreichen. Um diese Lücke zu schließen, haben Forscher begonnen, einen anderen Weg zu erforschen: den Einsatz tatsächlicher lebender Neuronen, die in einem Labor gezüchtet wurden, als eigentliches Computer-Material. Die Herausforderung bei diesem Ansatz bestand darin, dass lebende Neuronen, wenn sie in einer Kulturschale gezüchtet werden, dazu neigen, sich zufällig zu verbinden, was es schwierig macht, den Informationsfluss durch sie zu kontrollieren. Ohne eine klare Richtung für diese Signale verhält sich das Netzwerk eher wie ein chaotisches Durcheinander als wie ein strukturierter Computer, was seine Fähigkeit einschränkt, komplexe Probleme zu lösen.

Ein Forschungsteam hat nun einen Weg entwickelt, um Ordnung in dieses biologische Chaos zu bringen, indem es einen lebenden Computer erschuf, der Informationen in einer spezifischen, vorwärtsgerichteten Richtung verarbeitet. Sie züchteten Netzwerke von Mausneuronen in einem speziellen mikrofluidischen Chip, einem Gerät mit mikroskopisch kleinen Kanälen, die als Straßen für die Nervenzellen fungieren. Durch die Gestaltung dieser Straßen mit Einweg-Toren zwangen die Wissenschaftler die Neuronen dazu, ihre Verbindungen in eine einzige Richtung zu wachsen zu lassen, von einer Eingangsschicht zu einer Ausgangsschicht, wodurch sie die tiefe, geschichtete Struktur finden, die in fortgeschrittenen Systemen der künstlichen Intelligenz zu finden ist. Dieser Aufbau, den sie als „lebendes tiefes Reservoir“ (living deep reservoir) bezeichnen, ermöglicht es dem biologischen Netzwerk, komplexe Signale in Stufen zu verarbeiten, indem es Informationen filtert und transformiert, während sie sich vorwärts bewegen. Um zu testen, ob diese gerichtete Kontrolle das Computer tatsächlich intelligenter machte, verglichen sie ihn mit einer Kontrollgruppe, in der die Neuronen in beide Richtungen wachsen durften, was ein weniger organisiertes, zweiwegiges Netzwerk zur Folge hatte. Die Ergebnisse zeigten, dass das einseitige, gerichtete Netzwerk signifikant besser bei zwei schwierigen Aufgaben abschnitt: der Vorhersage des chaotischen Verhaltens eines mathematischen Systems und der Identifizierung verschiedener Musikgenres aus Audioclips.

Die Forscher bauten ihr System mit einem mikrofluidischen Chip, der wie ein winziges, transparentes Labyrinth aussieht. In diesem Labyrinth kultivierten sie primäre Neuronen, die aus Mausembryonen entnommen wurden. Um diese Zellen lichtempfindlich und für Kameras sichtbar zu machen, führten sie spezifische Gene ein, die die Neuronen in lichtempfindliche Schalter verwandelten und sie leuchten ließen, wenn sie feuerten. Der Chip war mit mehreren Kammern konzipert, die durch schmale Kanäle verbunden waren. In der Experimentalgruppe waren diese Kanäle mit winzigen, dreieckigen Barrieren und gekrümmten Sackgassen gestaltet, die physisch verhinderten, dass Axone – die langen Fortsätze der Neuronen – rückwärts wuchsen. Dies stellte sicher, dass Signale nur von der ersten Kammer zur zweiten und so weiter wandern konnten, wodurch eine strikte Hierarchie entstand. In der Kontrollgruppe waren die Kanäle einfache gerade Röhren, die es den Neuronen ermöglichten, in beide Richtungen zu wachsen, und so ein Netzwerk schufen, in dem Signale ohne klaren Pfad vor und zurück springen konnten. Beide Systeme waren mit einer hochentwickelten Schnittstelle verbunden, die Muster aus blauem Licht auf die erste Schicht der Neuronen projizieren konnte, um Informationen einzuspeisen, sowie einer Kamera, die das gesamte Netzwerk beim Leuchten beobachtete, um die Ausgabe aufzuzeichnen.

Um zu sehen, wie gut diese lebenden Computer funktionierten, ließen die Forscher sie zwei sehr unterschiedliche Probleme lösen. Die erste war ein Test zur Vorhersage chaotischer Zeitreihen, einer Art von Signal, das sich auf eine komplexe, unvorhersehbare Weise verändert, ähnlich wie das Wetter oder die Aktienmärkte. Sie konvertierten die Daten in Sequenzen von Lichtpulsen und speisten sie in die erste Schicht der Neuronen ein. Das lebende tiefe Reservoir mit seinen einseitigen Kanälen war in der Lage, die zukünftigen Bewegungen des Signals mit größerer Genauigkeit zu verfolgen als die Kontrollgruppe. Als die Forscher mehr Schichten zum Netzwerk hinzufügten, verbesserte sich die Leistung des gerichteten Systems, während das Zweiweg-System Schwierigkeiten hatte, Schritt zu halten. Die zweite Aufgabe beinhaltete das Hören von Musik. Das System wurde gebeten, zu identifizieren, ob ein kurzer Audioclip Blues, Klassik oder Country war. Die Forscher konvertierten die Schallwellen in Lichtmuster, die die Neuronen aktivierten. Auch hier übertraf das lebende tiefe Reservoir die Kontrollgruppe, identifizierte das Genre häufiger korrekt und zeigte eine ausgewogenere Fähigkeit, verschiedene Musikstile zu erkennen, selbst wenn die spezifischen Lieder neu für das System waren.

Der Schlüssel zu diesem Erfolg scheint in der Struktur des Netzwerks selbst zu liegen. Indem sie die Neuronen zwangen, sich in eine einzige Richtung zu verbinden, schufen die Forscher ein System, in dem Informationen in Stufen verarbeitet werden, wobei jede Schicht das Signal verfeinert, bevor sie es an die nächste weitergibt. Diese hierarchische Verarbeitung ermöglichte es dem Netzwerk, ein reicheres Verständnis der Eingangsdaten aufzubauen, ähnlich wie es moderne Deep-Learning-Algorithmen in der künstlichen Intelligenz tun. Die Analyse der Netzwerkaktivität zeigte, dass das gerichtete System ein höheres Maß an Organisation oder Modularität beibehielt, was bedeutet, dass die verschiedenen Teile des Netzwerks kohäsiver zusammenarbeiteten. Im Gegensatz dazu zeigte die Zweiweg-Kontrollgruppe eine chaotischere, synchronisierte Aktivierung, die dieselbe Ebene komplexer Berechnungen nicht unterstützte. Die Studie zeigt, dass die physische Architektur eines biologischen Netzwerks genauso wichtig ist wie die Zellen selbst; indem die Wissenschaftler lediglich steuern, wie die Neuronen wachsen, können sie die Rechenleistung von lebendem Gewebe erheblich steigend verbessern.

Diese Arbeit behauptet nicht, ein voll funktionsfähiges biologisches Gehirn gebaut zu haben, noch deutet sie darauf hin, dass diese lebenden Chips Siliziumcomputer sofort ersetzen werden. Stattdessen liefert sie einen Beweis für die Anwendbarkeit der Prinzipien des Deep Learning auf lebende neuronale Netzwerke durch physisches Design. Die Forscher zeigten, dass sie durch die Beschränkung des Wachstums der Neuronen auf einen bestimmten Pfad ein biologisches System schaffen konnten, das in der Lage ist, eine komplexe Informationsverarbeitung zu leisten, die ein zufälliges Netzwerk nicht erreichen könnte. Dies eröffnet einen neuen Forschungszweig darüber, wie biologische Systeme Informationen verarbeiten, und bietet einen potenziellen Weg zur Schaffung hocheffizienter, gehirninspirierter Computergeräte, die die Anpassungsfähigkeit lebender Zellen mit der Präzision technischer Strukturen kombinieren. Die Ergebnisse legen nahe, dass die Zukunft des bio-hybriden Computings nicht nur in den Zellen liegen könnte, die wir verwenden, sondern in den Straßen, die wir für sie bauen.