Living deep reservoir computing by microfluidic axon routing

Le cerveau humain est une merveille d'ingénierie biologique, capable d'effectuer des calculs complexes, de stocker des souvenirs et de prendre des décisions tout en consommant une infime fraction de l'énergie requise par les superordinateurs les plus puissants du monde. Cette efficacité provient de la manière dont le cerveau est construit : des milliards de cellules nerveuses, ou neurones, sont connectés dans de vastes réseaux complexes où la mémoire et le calcul se produisent simultanément aux mêmes minuscules jonctions. Pendant des décées, les scientifiques ont tenté de reproduire cette brillance biologique à l'aide de puces de silicium, créant un matériel informatique spécialisé qui tente de copier la structure du cerveau. Cependant, ces systèmes électroniques peinent encore à égaler l'efficacité brute et l'adaptabilité des tissus vivants. Pour combler ce fossé, les chercheurs ont commencé à explorer une voie différente : utiliser de véritables neurones vivants cultivés en laboratoire comme matériau de calcul lui-même. Le défi de cette approche résidait dans le fait que les neurones vivants, lorsqu'ils sont cultivés en boîte, ont tendance à se connecter de manière aléatoire, ce qui rend difficile le contrôle de la circulation de l'information à travers eux. Sans une direction claire pour ces signaux, le réseau se comporte davantage comme un désordre chaotique que comme un ordinateur structuré, limitant sa capacité à résoudre des problèmes complexes.

Une équipe de chercheurs a maintenant développé un moyen d'apporter de l'ordre à ce chaos biologique, créant un ordinateur vivant qui traite l'information dans une direction spécifique et unidirectionnelle. Ils ont cultivé des réseaux de neurones de souris à l'intérieur d'une puce microfluidique spécialisée, un dispositif doté de canaux microscopiques qui agissent comme des routes pour les cellules nerveuses. En concevant ces routes avec des portes à sens unique, les scientifiques ont forcé les neurones à développer leurs connexions dans une seule direction, d'une couche d'entrée vers une couche de sortie, imitant la structure profonde et stratifiée trouvée dans les systèmes d'intelligence artificielle avancés. Cette configuration, qu'ils appellent un « réservoir profond vivant », permet au réseau biologique de traiter des signaux complexes par étapes, en filtrant et en transformant l'information à mesure qu'elle progresse. Pour tester si ce contrôle directionnel rendait réellement l'ordinateur plus intelligent, ils l'ont comparé à un groupe de contrôle où les neurones étaient autorisés à croître dans les deux sens, créant un réseau bidirectionnel moins organisé. Les résultats ont montré que le réseau unidirectionnel et dirigé était nettement meilleur pour deux tâches difficiles : prédire le comportement chaotique d'un système mathématique et identifier différents genres musicaux à partir de clips audio.

Les chercheurs ont construit leur système à l'aide d'une puce microfluidique qui ressemble à un minuscule labyrinthe transparent. À l'intérieur de ce labyrinthe, ils ont cultivé des neurones primaires provenant d'embryons de souris. Pour rendre ces cellules réactives à la lumière et visibles pour les caméras, ils ont introduit des gènes spécifiques qui ont transformé les neurones en commutateurs sensibles à la lumière et les ont rendus luminescents lorsqu'ils s'activent. La puce a été conçue avec plusieurs chambres reliées par des canaux étroits. Dans le groupe expérimental, ces canaux ont été façonnés avec de petites barrières triangulaires et des impasses courbes qui empêchaient physiquement les axones — les longues projections des neurones — de croître en sens inverse. Cela garantissait que les signaux ne pouvaient voyager que de la première chambre à la seconde, et ainsi de suite, créant une hiérarchie stricte. Dans le groupe de contrôle, les canaux étaient de simples tubes droits, permettant aux neurones de croître dans les deux sens et créant un réseau où les signaux pouvaient rebondir d'avant en arrière sans chemin clair. Les deux systèmes étaient connectés à une interface sophistiquée capable de projeter des motifs de lumière bleue sur la première couche de neurones pour envoyer l'information, et une caméra qui observait l'ensemble du réseau briller en réponse pour enregistrer la sortie.

Pour voir comment ces ordinateurs vivants fonctionnaient, l'équipe leur a demandé de résoudre deux problèmes très différents. Le premier était un test de prédiction de séries temporelles chaotiques, un type de signal qui change de manière complexe et imprévisible, un peu comme la météo ou les marchés boursiers. Ils ont converti les données en séquences d'impulsions lumineuses et les ont injectées dans la première couche de neurones. Le réservoir profond vivant, avec ses canaux à sens unique, a été capable de suivre les mouvements futurs du signal avec une plus grande précision que le groupe de contrôle. À mesure que les chercheurs ajoutaient des couches au réseau, les performances du système dirigé s'amélioraient, tandis que le système bidirectionnel peinait à suivre. La seconde tâche impliquait l'écoute de la musique. Le système devait identifier si un court extrait audio était du Blues, du Classique ou de la Country. Les chercheurs ont converti les ondes sonores en motifs de lumière qui activaient les neurones. Là encore, le réservoir profond vivant a surpassé le groupe de contrôle, identifiant le genre correctement plus souvent et montrant une capacité plus équilibrée à reconnaître différents styles de musique, même lorsque les chansons spécifiques étaient nouvelles pour le système.

La clé de ce succès semble être la structure même du réseau. En forçant les neurones à se connecter dans une seule direction, les chercheurs ont créé un système où l'information est traitée par étapes, chaque couche affinant le signal avant de le transmettre à la suivante. Ce traitement hiérarchique a permis au réseau de construire une compréhension plus riche des données d'entrée, de la même manière que les algorithmes de deep learning fonctionnent dans l'intelligence artificielle moderne. L'analyse de l'activité du réseau a montré que le système dirigé maintenait un niveau d'organisation plus élevé, ou modularité, signifiant que les différentes parties du réseau travaillaient ensemble de manière plus cohérente. En revanche, le groupe de contrôle bidirectionnel présentait une activation plus chaotique et synchronisée qui ne permettait pas le même niveau de calcul complexe. L'étude démontre que l'architecture physique d'un réseau biologique est tout aussi importante que les cellules elles-mêmes ; en guidant simplement la croissance des neurones, les scientifiques peuvent augmenter considérablement la puissance de calcul du tissu vivant.

Ce travail ne prétend pas avoir construit un cerveau biologique pleinement fonctionnel, ni suggère que ces puces vivantes remplaceront immédiatement les ordinateurs en silicium. Il s'agit plutôt d'une preuve de concept montrant que les principes du deep learning peuvent être appliqués aux réseaux neuronaux vivants grâce à la conception physique. Les chercheurs ont démontré qu'en contraignant la croissance des neurones à suivre un chemin spécifique, ils pouvaient créer un système biologique capable d'un traitement d'information sophistiqué qu'un réseau aléatoire ne pourrait atteindre. Cela ouvre une nouvelle voie de recherche sur la manière dont les systèmes biologiques traitent l'information et offre une voie potentielle vers la création de dispositifs informatiques inspirés du cerveau, hautement efficaces, combinant l'adaptabilité des cellules vivantes avec la précision des structures d'ingénierie. Les conclusions suggèrent que l'avenir de l'informatique bio-hybride ne réside pas seulement dans les cellules que nous utilisons, mais dans les routes que nous construisons pour elles.