Living deep reservoir computing by microfluidic axon routing

人間の脳は生物学的工学の驚異であり、世界で最も強力なスーパーコンピュータが必要とするエネルギーのわずかな一部しか消費することなく、複雑な計算を行い、記憶を保存し、意思決定を行うことができます。この効率性は、脳の構造に由来しています。すなわち、数十億の神経細胞（ニューロン）が広大で複雑なネットワークを形成しており、そこでは記憶と計算が同じ微小な接合部で同時に行われています。数十年にわたり、科学者たちはシリコンチップを用いてこの生物学的な素晴らしさを模倣しようとし、脳の構造を模した特殊なコンピュータ・ハードウェアを作り出してきました。しかし、これらの電子システムは、依然として生体組織の生の効率性と適応性に追いつくことに苦慮しています。この溝を埋めるために、研究者たちは別の道を模索し始めました。それは、実験室で培養された実際の生きたニューロンそのものを、コンピューティング素材として使用するという方法です。このアプローチにおける課題は、培養皿の中で成長する生きたニューロンはランダムに接続する傾向があり、情報の流れを制御することが困難であるという点でした。信号に対して明確な方向性がなければ、ネットワークは構造化されたコンピュータというよりも、混沌とした混乱状態のように振る舞い、複雑な問題を解決する能力を制限してしまいます。

現在、ある研究チームが、この生物学的な混沌に秩序をもたらす方法を開発し、情報を特定の前方移動方向に処理する「生きたコンピュータ」を作り出しました。彼らは、特殊なマイクロ流体チップの中でマウスのニューロンのネットワークを培養しました。このチップは、神経細胞の「道路」として機能する微細なチャネルを備えたデバイスです。研究者たちは、これらの道路に一方通行のゲートを設計することで、ニューロンが入力層から出力層へと単一の方向に接続を伸ばすよう強制し、高度な人工知能システムに見られるような深い階層構造を模倣させました。「リビング・ディープ・リザーバー（生きた深層リザーバー）」と呼ばれるこのセットアップにより、生物学的ネットワークは、情報を前方に移動させながら段階的にフィルタリングし、変換することが可能になります。この方向制御が実際にコンピュータを賢くするかどうかをテストするため、彼らは、ニューロンが双方向に成長することを許容した、より組織化されていない双方向ネットワークである対照群と比較しました。その結果、一方通行の指向性ネットワークは、数学的システムのカオスな挙動の予測と、オーディオクリップからの音楽ジャンルの識別という、2つの困難なタスクにおいて、有意に優れた性能を示しました。

研究者たちは、小さな透明な迷路のようなマイクロ流体チップを用いてこのシステムを構築しました。この迷路の内部には、マウスの胚から採取された一次ニューロンを培養しました。これらの細胞を光に反応させ、カメラで可視化するために、ニューロンを光感受性のスイッチに変え、発火したときに光るようにする特定の遺伝子を導入しました。チップは、細いチャネルによって連結された複数のチャンバーで構成されています。実験群では、これらのチャネルは、軸索（ニューロンの長い突起）が後方に成長することを物理的に防ぐ小さな三角形の障壁と湾曲した行き止まりを備えて設計されました。これにより、信号が第1チャンバーから第2チャンバーへと、順次移動するように保証され、厳格な階層構造が作られました。対照群では、チャネルは単純な直線状の管であり、ニューロンが双方向に成長することを許容し、信号が明確な経路なしに前後に跳ね返るネットワークを作り出しました。両方のシステムは、情報の入力として青い光のパターンを第1層のニューロンに投影できる高度なインターフェースと、出力を受信するためにネットワーク全体の発光を監視するカメラに接続されていました。

これらの生きたコンピュータがどの程度うまく機能するかを確認するために、チームは2つの非常に異なる問題に取り組ませました。最初のテストは、天候や株式市場のように、複雑で予測不可能な方法で変化する信号である「カオス的な時系列」の予測でした。彼らはデータを光パルスのシーケンスに変換し、それを第1層のニューロンに送り込みました。方向性のあるチャネルを持つリビング・ディープ・リザーバーは、対照群よりも高い精度で信号の将来の動きを追跡することができました。研究者がネットワークに層を追加するにつれて、指向性システムの性能は向上しましたが、双方向システムはそれに追いつけませんでした。第2のタスクは、音楽を聴くことでした。システムに対し、短いオーディオクリップがブルース、クラシック、あるいはカントリーのいずれであるかを識別させました。研究者は音波を光のパターンに変換してニューロンを活性化させました。ここでも、リビング・ディープ・リザーバーは対照群を上回り、より正確にジャンルを特定し、特定の楽曲が未知のものであっても、異なるスタイルを認識するバランスの取れた能力を示しました。

この成功の鍵は、ネットワーク自体の構造にあると考えられます。ニューロンを単一の方向に接続するように強制することで、研究者は情報が段階的に処理され、各層が信号を次の層へ渡す前に情報を洗練させるシステムを作り上げました。この階層的な処理により、ネットワークは現代の人工知能におけるディープラーニング・アルゴリズムと同様に、入力データのより豊かな理解を構築することができました。ネットワーク活動の分析によれば、指向性システムはより高いレベルの組織化、すなわち「モジュラリティ（モジュール性）」を維持しており、これは異なる部分がより密接に連携して機能していることを意味します。対照的に、双方向の対照群は、複雑な計算をサポートしない、より混沌とした同期的な発火を示しました。この研究は、生物学的ネットワークの物理的アーキテクチャが、細胞そのものと同じくらい重要であることを示しています。ニューロンの成長方法を導くだけで、科学者は生体組織の計算能力を大幅に強化できるのです。

本研究は、完全に機能する生物学的脳を構築したと主張するものでも、これらのリビング・チップがすぐにシリコンコンピュータに取って代わることを示唆するものでもありません。むしろ、物理的な設計を通じて、ディープラーニングの原理が生きたニューロン・ネットワークに適用できるという概念実証を提供するものです。研究者たちは、ニューロンの成長を特定の経路に従うよう制約することで、ランダムなネットワークでは達成できない高度な情報処理が可能な生物学的システムを作成できることを示しました。これは、生物学的システムがいかに情報を処理しているかについての研究に新たな道を開くと同時に、生細胞の適応性と設計された構造の精密さを組み合わせた、極めて効率的な脳型コンピューティング・デバイスの構築への潜在的な経路を提示しています。今回の知見は、バイオハイブリッド・コンピューティングの未来が、単に使用する細胞だけでなく、それらが進むべき「道」をどのように作るかにかかっていることを示唆しています。