Living deep reservoir computing by microfluidic axon routing

Het menselijk brein is een wonder van biologische techniek, in staat om complexe berekeningen uit te voeren, herinneringen op te slaan en beslissingen te nemen terwijl het slechts een fractie van de energie verbruikt die de krachtigste supercomputers ter wereld nodig hebben. Deze efficiëntie komt voort uit de manier waarop het brein is opgebouwd: miljarden zenuwcellen, of neuronen, zijn verbonden in uitgestrekte, ingewikkelde netwerken waar geheugen en berekening simultaan plaatsvinden op dezelfde minuscule knooppunten. Decennialang hebben wetenschappers geprobeerd deze biologische genialiteit na te bootsen met behulp van siliciumchips, waarbij ze gespecialiseerde computerhardware creëerden die probeert de structuur van het brein te kopiëren. Deze elektronische systemen worstelen echter nog steeds met het evenaren van de ruwe efficiëntie en aanpassingsvermogen van levend weefsel. Om deze kloof te overbruggen, zijn onderzoekers een andere weg gaan verkennen: het gebruik van werkelijke levende neuronen die in een laboratorium zijn gekweekt als het computergestuurde materiaal zelf. De uitdaging bij deze aanpak was dat levende neuronen, wanneer ze in een schaaltje worden gekweekt, de neiging hebben om willekeurig te verbinden, wat het moeilijk maakt om de informatiestroom door hen heen te controleren. Zonder een duidelijke richting voor deze signalen gedraagt het netwerk zich meer als een chaotische bende dan als een gestructureerde computer, wat het vermogen om complexe problemen op te lossen beperkt.

Een team van onderzoekers heeft nu een manier ontwikkeld om orde te brengen in deze biologische chaos, door een levende computer te creëren die informatie in een specifieke, voorwaartse richting verwerkt. Ze kweekten netwerken van muurineuronen in een gespecialiseerde microfluïdische chip, een apparaat met microscopische kanalen die fungeren als wegen voor de zenuwcellen. Door deze wegen te ontwerpen met eenrichtingsverkeer, dwongen de wetenschappers de neuronen om hun verbindingen in één enkele richting te laten groeien, van een inputlaag naar een outputlaag, wat de diepe, gelaagde structuur nabootst die wordt gevonden in geavanceerde kunstmatige intelligentie. Deze opstelling, die zij een "levende diepe reservoir" noemen, stelt het biologische netwerk in staat om complexe signalen in stadia te verwerken, waarbij de informatie wordt gefilterd en getransformeerd terwijl deze vooruit beweegt. Om te testen of deze directionele controle de computer daadwerkelijk slimmer maakte, vergeleken ze het met een controlegroep waar de neuronen in beide richtingen mochten groeien, wat een minder georganiseerd, tweerichtingsnetwerk creëerde. De resultaten toonden aan dat het eenrichtings-, gerichte netwerk aanzienlijk beter was in twee moeilijke taken: het voorspellen van het chaotische gedrag van een wiskundig systeem en het identificeren van verschillende muziekgenres uit audiofragmenten.

De onderzoekers bouwden hun systeem met behulp van een microfluïdische chip die eruitziet als een piepkleine, transparante doolhof. Binnen dit doolhof kweekten ze primaire neuronen afkomstig van muisembryo's. Om deze cellen lichtgevoelig en zichtbaar voor camera's te maken, introduceerden ze specifieke genen die de neuronen transformeerden in lichtgevoelige schakelaars en ervoor zorgden dat ze oplichtten wanneer ze vuren. De chip was ontworpen met meerdere kamers die verbonden waren door nauwe kanalen. In de experimentele groep werden deze kanalen vormgegeven met kleine, driehoekige barrières en gebogen doodlopende stukken die axonen — de lange uitlopers van neuronen — fysiek verhinderden om achteruit te groeien. Dit zorgde ervoor dat signalen alleen van de eerste kamer naar de tweede konden reizen, enzovoort, waardoor een strikte hiërarchie ontstond. In de controlegroep waren de kanalen eenvoudige rechte buizen, waardoor neuronen in beide richtingen konden groeien en een netwerk ontstond waarin signalen heen en weer konden stuiteren zonder een duidelijk pad. Beide systemen waren verbonden met een geavanceerde interface die patronen van blauw licht op de eerste laag neuronen kon projecteren om informatie te verzenden, en een camera die het hele netwerk zag oplichten als reactie om de output te registren.

Om te zien hoe goed deze levende computers werkten, vroegen de onderzoekers hen om twee zeer verschillende problemen op te lossen. De eerste was een test voor het voorspellen van chaotische tijdreeksen, een type signaal dat op een complexe, onvoorspelbare manier verandert, vergelijkbaar met het weer of de aandelenmarkten. Ze zetten de data om in sequenties van lichtpulsen en voerden deze in de eerste laag van de neuronen in. Het levende diepe reservoir, met zijn eenrichtingskanalen, was in staat om de toekomstige bewegingen van het signaal met grotere nauwkeurigheid te volgen dan de controlegroep. Naarmate de onderzoekers meer lagen aan het netwerk toevoegden, verbeterde de prestatie van het gerichte systeem, terwijl het tweerichtingssysteem moeite had om het bij te houden. De tweede taak betrof het luisteren naar muziek. Het systeem kreeg de opdracht om te identificeren of een kort audiofragment Blues, Klassiek of Country was. De onderzoekers zetten de geluidsgolven om in patronen van licht die de neuronen activeerden. Opnieuw presteerde het levende diepe reservoir beter dan de controlegroep, waarbij het genre correcter identificeerde en een meer gebalanceerd vermogen toonde om verschillende stijlen muziek te herkennen, zelfs wanneer de specifieke nummers nieuw waren voor het systeem.

De sleutel tot dit succes lijkt te liggen in de structuur van het netwerk zelf. Door de neuronen te dwingen zich in één richting te verbinden, creëerden de onderzoekers een systeem waar informatie in stadia wordt verwerkt, waarbij elke laag het signaal verfijnt voordat het naar de volgende laag wordt doorgegeven. Deze hiërarchische verwerking stelde het netwerk in staat om een rijker begrip van de inputdata op te bouwen, vergelijkbaar met hoe deep learning-algoritmen werken in moderne kunstmatige intelligentie. De analyse van de netwerkactiviteit toonde aan dat het gerichte systeem een hoger niveau van organisatie, of modulariteit, behield, wat betekent dat de verschillende delen van het netwerk meer samenhangend samenwerkten. In tegen tegenstelling hiertoe vertoonde de tweerichtingscontrolegroep meer chaotische, gesynchroniseerde vuring die niet hetzelfde niveau van complexe computatie ondersteunde. De studie demonstreert dat de fysieke architectuur van een biologisch netwerk net zo belangrijk is als de cellen zelf; door simpelweg te sturen hoe de neuronen groeien, kunnen wetenschappers het computervermogen van levend weefsel aanzienlijk verbeteren.

Dit werk beweert geen volledig functioneel biologisch brein te hebben gebouwd, noch suggereert het dat deze levende chips de siliciumcomputers onmiddellijk zullen vervangen. In plaats daarvan biedt het een bewijs van concept dat de principes van deep learning kunnen worden toegepast op levende neurale netwerken door middel van fysiek ontwerp. De onderzoekers lieten zien dat door de groei van neuronen te beperken tot een specifiek pad, zij een biologisch systeem konden creëren dat in staat is tot geavanceerde informatieverwerking, wat een willekeurig netwerk niet zou kunnen bereiken. Dit opent een nieuwe weg voor onderzoek naar hoe biologische systemen informatie verwerken en biedt een potentiële route naar het creëren van uiterst efficiënte, door het brein geïnspireerde computertoestellen die de aanpasbaarheid van levende cellen combineren met de precisie van technische structuren. De bevindingen suggereren dat de toekomst van de bio-hybride computer niet alleen ligt in de cellen die we gebruiken, maar ook in de wegen die we voor hen bouwen om te reizen.