KI läuft normalerweise auf Computerchips. In diesem Fall läuft sie auf lebenden Gehirnzellen.
Forscher in Japan haben Rattenneuronen darauf trainiert, Aufgaben des maschinellen Lernens in Echtzeit auszuführen, und verlagern das Computing damit in den biologischen Bereich. Das System nutzt kultivierte Neuronen, die mit Hardware verbunden sind, um ohne herkömmliche Softwaremodelle komplexe Signale zu erzeugen.
Eine kürzlich in Proceedings of the National Academy of Sciences veröffentlichte Studie zeigt, dass biologische neuronale Netze als adaptive Computersysteme fungieren könnten und traditionelle Computing-Ansätze künftig möglicherweise ergänzen.
Lebende Neuronen führen Berechnungen in Echtzeit aus
Forscher an der Tohoku University und der Future University Hakodate trainierten kultivierte kortikale Rattenneuronen mithilfe eines als Reservoir Computing bekannten Frameworks für maschinelles Lernen darauf, strukturierte Signale zu erzeugen.
Laut Tom’s Hardware, zeichnete das System die neuronale Aktivität mit einem Array aus 26.400 Elektroden auf und wandelte sie in kontinuierliche Ausgaben um, die anschließend als elektrische Stimulation an die Neuronen zurückgespeist wurden. Dieser Regelkreis wird ungefähr alle 333 Millisekunden aktualisiert.
„Diese Arbeit zeigt, dass lebende neuronale Netze nicht nur biologisch bedeutsame Systeme sind, sondern auch als neuartige Rechenressourcen dienen könnten“, sagte Hideaki Yamamoto, Professor an der Tohoku University.
Mithilfe einer Methode namens FORCE Learning passte das System die Ausgaben kontinuierlich an, um sie an Zielsignale anzugleichen. Die Forscher legten ein gewünschtes Muster fest, und das System verfeinerte seine Aktivität in Echtzeit, um Fehler zu reduzieren. Mit der Zeit lernten die Neuronen, sowohl regelmäßige als auch komplexe Signale zuverlässig zu erzeugen. Damit zeigten sie, dass sich biologische Netze ähnlich wie künstliche neuronale Netze trainieren lassen.
Mikrofluidik aktiviert nutzbare biologische Netze
Eine zentrale Herausforderung beim biologischen Computing besteht darin, dass Neuronen dazu neigen, sich zu synchronisieren, was ihre Fähigkeit zur Verarbeitung komplexer Informationen einschränkt. Die Wissenschaftler begegneten diesem Problem mit mikrofluidischen Vorrichtungen, die das Wachstum und die Vernetzung der Neuronen steuern.
Asia Research News berichtete dass das Team durch die Strukturierung der Neuronen zu modularen Netzwerken redundante Aktivität reduzierte und eine reichhaltigere, hochdimensionale Aktivität ermöglichte, die für Berechnungen erforderlich ist. Die Publikation merkte an, dass dieser Ansatz es den biologischen Netzen erlaubte, komplexe Zeitreihensignale zu erzeugen, die mit künstlichen Systemen vergleichbar sind.
Neuroscience News berichtete ebenfalls dass die Verhinderung synchroner Aktivität entscheidend war, um fortgeschrittene Berechnungen im System zu ermöglichen.
Zwei Netzwerkdesigns wurden getestet. In einem Aufbau waren die Neuronen in einem Gitter mit zahlreichen gleichartigen Verbindungen angeordnet. Im anderen waren die Verbindungen weiter verteilt und ungleichmäßiger. Das gitterartige Design schnitt besser ab, wahrscheinlich weil die Neuronen häufiger miteinander interagierten und stärkere Signale erzeugten.
Biologisches Computing rückt näher an die Realität
Das System erzeugte eine Reihe von Signalen – von glatten, sich wiederholenden Wellen bis hin zu komplexeren, chaotischen Mustern. Tom’s Hardware wies darauf hin, dass ein Beispiel der Lorenz-Attraktor ist, der häufig zur Modellierung unvorhersehbarer Systeme wie des Wetters verwendet wird.
Dieselbe Gruppe von Neuronen konnte auch darauf trainiert werden, andere Signale zu erzeugen, und zeigte damit eine ähnliche Flexibilität wie traditionelle KI-Systeme.
Die Forscher erklärten, die Plattform könnte über das Computing hinaus eingesetzt werden, etwa zur Untersuchung der Gehirnaktivität, zum Testen von Medikamenten oder zur Modellierung neurologischer Erkrankungen. Neuroscience News betonte, dass diese Entwicklung darauf hindeutet, dass biologische Systeme energieeffizienteres Computing oder neue Formen der Gehirn-Maschine-Interaktion ermöglichen könnten.
Gleichzeitig befindet sich die Technologie noch in einem frühen Stadium. Fragen zu ihrer Zuverlässigkeit, Skalierbarkeit und Regulierung bleiben offen, während das Computing beginnt, lebende Zellen einzubeziehen.
Erfahren Sie, wie KI-„Gehirne“ für Roboter die Automatisierung ausweiten und über Bürotätigkeiten hinaus auf Bauwesen, Logistik und Energie übertragen.