FOIN: A Federated Multi-Organoid Intelligence Architecture using Combinatorial Graph Modelling

Stel je een wereld voor waarin computers niet vertrouwen op silicon chips en enorme elektriciteitsnetten, maar in plaats daarvan leren en denken met behulp van levend hersenweefsel. Dit is de belofte van Organoid Intelligence, een vakgebied dat minuscule, vereenvoudigde versies van menselijke hersenen kweekt uit stamcellen en deze verbindt met elektronische sensoren. Deze levende clusters, genaamd organoïden, kunnen elektrische signalen afvuren en zich aanpassen aan nieuwe informatie, net als een echt brein, maar momenteel opereren ze in isolatie. De meeste bestaande systemen behandelen elke organoïde als een eenzame student die alleen leert en niet in staat is om wat het weet met anderen te delen. Dit creëert een flessenhals: de systemen zijn traag om op te schalen, moeilijk te beschermen tegen datadiefstal en inefficiënt omdat ze niet hun collectieve wijsheid kunnen bundelen. Om dit op te lossen, hebben onderzoekers een nieuwe manier voorgesteld om deze biologische computers met elkaar te verbinden, waardoor ze samen kunnen leren zonder ooit hun privégedachten te onthullen.

De kern van deze nieuwe aanpak is een systeem genaamd het Federated Organoid Intelligence Network, of FOIN. In deze architectuur zijn meerdere hersenorganoïden verbonden in een gedistribueerd netwerk, vergelijkbaar met hoe een groep mensen een puzzel zou kunnen oplossen door hun individuele stukjes te delen zonder het hele plaatje tegelijk aan iedereen te laten zien. Elke organoïde bevindt zich in een laboratoriumschaaltje, verbonden met een rooster van minuscule elektroden die zowel elektrische signalen naar de organoïde kunnen sturen als naar de reacties ervan kunnen luisteren. Wanneer een organoïde een stimulus ontvangt, zoals een lichtpatroon of een elektrische puls, reageert deze met een uniek patroon van neurale pieken. In plaats van deze ruwe biologische data naar een centrale computer te sturen, wat traag en riskant zou zijn, gebruikt het systeem een lokale kunstmatige intelligentie om de pieken te analyseren en de geleerde "les" te extraheren. Alleen de wiskundige samenvatting van die les, versleuteld voor beveiliging, wordt naar een centrale server gestuurd. De server combineert deze samenvattingen van alle organoïden om een slimmer, globaal model te creëren, dat vervolgens naar de individuele eenheden wordt teruggestuurd. Dit stelt het gehele netwerk in staat om in de loop van de tijd intelligenter te worden, terwijl de ruwe biologische data veilig en privé binnen elk schaaltje blijft.

De onderzoekers hebben dit systeem ontworien om de beperkingen van huidige gecentraliseerde modellen te overwinnen, die worstelen met privacy en schaalbaarheid. Door gebruik te maken van een methode die bekend staat als federated learning, zorgt het netwerk ervoor dat de ruwe data van geen enkele organoïde ooit de lokale omgeving verlaat. Het systeem bevat ook geavanceerde functies zoals digitale tweelingen, die virtuele kopieën van de organoïden zijn die worden gebruikt om te voorspellen hoe ze zouden kunnen reageren of falen, en blockchain-technologie om de gedeelde updates veilig te verifiëren. Deze opstelling creëert een biohybride intelligentie die niet alleen gedistribueerd is, maar ook zeer energiezuinig. Omdat de organoïden informatie verwerken met behulp van biologische mechanismen die van nature een laag vermogen hebben, en omdat het systeem de zware dataoverdracht vermijdt die nodig is voor traditionele computers, verbruikt het gehele netwerk aanzienlijk minder energie dan standaard kunstmatige intelligentiesystemen.

In simulaties en theoretische evaluaties toonde deze federated aanpak opmerkelijke resultaten. Het netwerk bereikte een leeraccuratesse van bijna 96 procent, een significante verbetering ten opzichte van de ongeveer 79 procent nauwkeurigheid die bij traditionele, gecentraliseerde organoïde systemen wordt gezien. Belangrijker nog, het systeem verminderde het energieverbruik met ongeveer de helft, van circa 67 watt naar slechts 36 watt tijdens de training. De bescherming van de privacy was ook aanzienlijk superieur, waarbij de federated methode de privacy van biologische data bewaarde op een niveau van 98 procent, vergeleken met slechts 62 procent voor gecentraliseerde systemen. Naarmate er meer organoïde-nodes aan het netwerk werden toegevoegd, groeide de collectieve intelligentie, waarbij de nauwkeurigheid steeg van 84 procent met slechts twee nodes naar meer dan 96 procent met twaalf nodes. De onderzoekers merkten echter op dat deze verbetering uiteindelijk afvlakt, wat suggereert dat er een optimaal aantal nodes is voor het systeem om het meest efficiënt te functioneren zonder energie te verspillen aan onnodige communicatie.

De studie onderzocht ook hoe deze technologie in de echte wereld toegepast zou kunnen worden, specifiek in gebieden zoals cybersecurity en robotica. In een gesimuleerd cybersecurity-scenario leerde het netwerk succesvol verschillende soorten digitale dreigingen te detecteren, zoals malware of phishing-pogingen, door deze als elektrische signalen te behandelen. Elke organoïde leerde specifieke patronen te herkennen, en het gecombineerde netwerk werd zeer effectief in het opsporen van nieuwe, onbekende aanvallen zonder de gevoelige data die het analyseerde ooit bloot te leggen. Op dezelfde manier maakte het systeem in een robotica-toepassing een robot in staat om door complexe omgevingen te navigeren door de organoïden te gebruiken om sensorische data zoals visie en beweging te verwerken. De robot kon zich aanpassen aan nieuwe obstakels en optimale paden vinden door gebruik te maken van het continue, gedeelde leren van het organoïde-netwerk, terwijl het veel minder stroom verbruikte dan een conventionele computer zou vereisen.

Ondanks deze veelbelovende resultaten bevindt het werk zich nog grotendeels in de sfeer van simulatie en conceptueel ontwerp. De onderzoekers hebben nog geen fysiek netwerk van levende organoïden gebouwd dat exact werkt zoals beschreven, maar de wiskundige modellen en digitale simulaties bieden een sterke fundering voor wat mogelijk is. De voorgestelde architectuur biedt een duidelijke weg vooruit voor het creëren van duurzame, veilige en adaptieve computersystemen die de kloof tussen biologie en technologie overbruggen. Door de natuurlijke efficiëntie van hersenweefsel te combineren met de collaboratieve kracht van gedistribueerd leren, suggereert deze aanpak een toekomst waarin intelligente machines kunnen groeien en leren op een manier die zowel krachtig als respectvol is naar de biologische systemen die hen aandrijven. De bevindingen wijzen erop dat een dergelijk systeem uiteindelijk toepassingen kan ondersteunen die variëren van gepersonaliseerde geneeskunde tot autonome robots, mits de technische uitdagingen van het opschalen en het integreren van echte wet-lab experimenten kunnen worden overwonnen.