Neuro-Inspired Visual Pattern Recognition via Biological Reservoir Computing

Resumen Técnico: Reconocimiento de Patrones Visuales de Inspiración Neuronal mediante Computación de Reservorio Biológico

Planteamiento del Problema
La Computación de Reservorio (RC, por sus siglas en inglés) es un paradigma de computación neuronal que utiliza un sistema recurrente de alta dimensión (el reservorio) para proyectar entradas en un espacio latente no lineal, lo que permite un aprendizaje eficiente con un entrenamiento mínimo de la capa de salida. Mientras que los modelos de RC tradicionales, como las Redes de Estado de Eco (ESN) y las Máquinas de Estado Líquido (LSM), dependen de modelos de neuronas artificiales para aproximar la dinámica neuronal, estos siguen siendo representaciones abstractas de procesos biológicos. Este artículo aborda la brecha entre la inteligencia artificial y la biológica investigando si las redes neuronales in vitro cultivadas pueden servir como el sustrato físico para un reservorio. Específicamente, los autores exploran la viabilidad del uso de redes corticales cultivadas in vitro para realizar tareas de reconocimiento de patrones visuales estáticos, aprovechando la dinámica intrínseca, espontánea y evocada por estímulos del tejido biológico en lugar de algoritmos simulados.

Metodología
El marco propuesto, denominado Computación de Reservorio Biológico (BRC), integra una red neuronal viva con una matriz de microelectrodos de alta densidad (HD-MEA) para funcionar como un reservorio físico.

• Sustrato Biológico: El reservorio consiste en redes neuronales corticales derivadas in vitro de células madre embrionarias de ratón (mESCs) utilizando el protocolo MiBi (inhibición de MAPK/ERK y BMP). Estos cultivos, sembrados en chips HD-MEA, se autoorganizan en redes espontáneamente activas que exhiben disparos (spiking) y ráfagas (bursting) sincronizados, operando en un estado de criticidad autoorganizada.
• Codificación de Entrada: Los patrones de entrada espacial (imágenes) se mapean directamente a subconjuntos de electrodos en el HD-MEA. Cada píxel corresponde a un par de electrodos específico (polos positivo y negativo). La intensidad del píxel modula la probabilidad de estimulación eléctrica. La estimulación se entrega mediante formas de onda rectangulares bipolares (monofásicas o bifásicas) para asegurar la estabilidad del hardware.
• Lectura y Preprocesamiento: Las respuestas neuronales se registran desde electrodos no estimulados. El flujo de adquisición implica la detección de picos en tiempo real seguida de una eliminación rigurosa de artefactos para distinguir los picos biológicos del ruido eléctrico inducido por la estimulación. La actividad evocada se cuantifica como el número de picos dentro de una ventana de tiempo post-estímulo específica ($W$), generando un vector de características de alta dimensión (4096 dimensiones, correspondiente a la matriz de electrodos).
• Clasificación: Una capa de lectura lineal (un perceptrón de una sola capa) se entrena mediante descenso de gradiente estocástico para mapear los estados del reservorio a las clases de entrada. El reservorio en sí permanece sin entrenar, dependiendo de su dinámica intrínseca.
• Progresión Experimental: El sistema fue evaluado a través de cuatro tareas de complejidad creciente:
  1. Estímulos puntuales: Pares de electrodos únicos para probar la capacidad de respuesta básica.
  2. Barras orientadas: Patrones geométricos (0°, 45°, 90°, 135°) para probar la codificación espacial.
  3. Patrones tipo dígitos de reloj: Diez configuraciones distintas (0–9) que imitan pantallas digitales de reloj.
  4. Dígitos manuscritos MNIST: Un subconjunto del conjunto de datos MNIST mapeado a secuencias de estimulación.
• Línea Base: Se utilizó un reservorio artificial (AR) con 4,096 unidades de tasa basadas en recurrencia, inicializadas con una dispersión y radio espectral similares, como punto de referencia bajo condiciones equiparables.

Contribuciones Clave

1. Paradigma de RC con Base Biológica: Los autores introducen el BRC, un sistema donde el reservorio es una red física de neuronas corticales conectada mediante HD-MEA, en lugar de un modelo simulado.
2. Calibración del Protocolo de Estimulación: El artículo define y valida un protocolo de estimulación robusto diseñado para la interacción con HD-MEA, asegurando respuestas evocadas consistentes mientras preserva la integridad de los electrodos y minimiza los artefactos.
3. Evaluación Experimental Exhaustiva: El estudio evalúa sistemáticamente el poder discriminativo de las características derivadas biológicamente a través de un espectro de tareas de reconocimiento de patrones estáticos, que van desde formas geométricas simples hasta dígitos manuscritos del mundo real (MNIST).
4. Caracterización de la Variabilidad Biológica: El trabajo proporciona un análisis profundo de cómo la variabilidad biológica (ruido, actividad espontánea, deriva día a día) afecta el rendimiento del sistema, ofreciendo información sobre la estabilidad y generalización de los sustratos computacionales vivos.

Resultados

• Tareas Simples: Para estímulos puntuales, el sistema BRC logró una precisión del 98% ± 2%, superando al reservorio artificial (82% ± 6%), probablemente debido a la naturaleza específica de la inyección de ruido en la línea base artificial. Para barras orientadas, el BRC logró un 92% ± 6% de precisión, ligeramente por debajo del AR (98% ± 3%), pero demostrando una codificación espacial robusta.
• Patrones de Dígitos de Reloj: El sistema logró una precisión de clasificación promedio de aproximadamente el 71% para los patrones de dígitos 0–9. Este rendimiento fue comparable al del reservorio artificial. Notablemente, los dígitos "1" y "7" mostraron una mayor precisión, potencialmente debido a que requieren menos electrodos de estimulación y presentan menos solapamiento espacial.
• Dígitos Manuscritos MNIST: El sistema BRC clasificó con éxito dígitos manuscritos con una precisión significativamente superior a la línea base de elección aleatoria. Aunque el rendimiento varió según el dígito (por ejemplo, el dígito "9" tuvo un desempeño deficiente debido al desequilibrio del conjunto de datos), el sistema alcanzó niveles de precisión comparables al AR para varias categorías, demostrando su capacidad para manejar entradas visuales complejas del mundo real.
• Dinámica Temporal: Los estudios de ablación revelaron que la ventana de lectura post-estímulo óptima fue de 5 ms para patrones más simples y de 10 ms para los dígitos MNIST. Esto sugiere que, para estímulos más grandes y complejos, una ventana ligeramente más larga captura una actividad más informativa impulsada por el estímulo antes de que el ruido recurrente domine.
• Estabilidad Interdiaria: Aunque el sistema funcionó de manera robusta dentro de un mismo día, la generalización interdiaria (entrenamiento en el Día 1, prueba en los Días 2–3) mostró un declive progresivo en la precisión (por ejemplo, cayendo de ~72% a ~37% para los dígitos de reloj). Esto indica que la dinámica neuronal subyacente y la conectividad del reservorio biológico experimentan una reconfiguración significativa a lo largo del tiempo debido a la plasticidad intrínseca y el desarrollo.
• Geometría de la Representación: Las visualizaciones de t-SNE mostraron que los estados del reservorio biológico forman cúmulos (clusters) más amplios y solapados en comparación con los cúmulos compactos y claramente separados del reservorio artificial. A pesar de este solapamiento, la lectura lineal pudo separar eficazmente las clases, lo que sugiere que el sustrato biológico codifica la estructura específica del estímulo de manera distribuida, aunque más ruidosa.

Significancia y Reivindicaciones
El artículo sostiene que las redes corticales in vitro pueden funcionar como reservorios efectivos para el reconocimiento de patrones visuales estáticos. La significancia principal radica en demostrar que los circuitos neuronales vivos pueden realizar computaciones perceptivas fundamentales tradicionalmente implementadas en modelos artificiales. Los autores argumentan que este enfoque ofrece una instanciación biológica concreta de la visión de inspiración neurocientífica.

El trabajo contribاً al esfuerzo más amplio de integrar principios biológicos en el aprendizaje automático al mostrar que los sustratos biológicos pueden generar representaciones de alta dimensión capaces de soportar una clasificación precisa, incluso ante la presencia de la inherente variabilidad biológica. Además, al delegar la computación a un sustrato físico, el enfoque sugiere ventajas potenciales en eficiencia energética, una preocupación crítica para el escalado de la IA moderna. Los autores posicionan este trabajo como un paso hacia marcos de computación neuromórfica que utilicen sustratos neuronales vivos, cerrando la brecha entre la neurociencia y el aprendizaje automático sin pretender que el sistema actual supere a los modelos de aprendizaje profundo artificial de vanguardia en términos de rendimiento bruto o escalabilidad.