Биологические вычисления постепенно выходят за рамки лабораторных экспериментов. Исследователи научились использовать выращенные в лаборатории нервные ткани для обработки тактильной информации, а другая экспериментальная система на основе живых нейронов уже способна влиять на движения четвероногого робота. Эти разработки открывают новые перспективы для биогибридных вычислений — технологий, объединяющих живые клетки, электронику и программное обеспечение.
В отличие от традиционных компьютеров, которые обрабатывают данные с помощью электронных схем, такие системы используют настоящие нервные клетки. Учёные рассчитывают, что природные механизмы обработки информации помогут создавать вычислительные устройства, способные эффективнее обучаться и приспосабливаться к незнакомым условиям.
Как работают биологические компьютеры
Мозг человека — удивительно эффективная вычислительная система. Он одновременно обрабатывает огромное количество сигналов, адаптируется к новым обстоятельствам и расходует сравнительно мало энергии. Неудивительно, что исследователи пытаются использовать эти возможности в компьютерных технологиях.
Биогибридные вычисления предполагают объединение живой нервной ткани с электронными компонентами и алгоритмами. Вместо того чтобы имитировать работу нейронов исключительно с помощью программного кода, учёные задействуют сами клетки.
Особый интерес представляют органоиды — небольшие структуры, выращенные из клеток в лаборатории и воспроизводящие некоторые свойства определённых тканей человеческого организма. В данном случае исследователи использовали органоиды, моделирующие отдельные особенности переднего отдела человеческого мозга.
Однако превратить живую ткань в надёжный вычислительный компонент непросто. Нейроны реагируют на электрические сигналы не так предсказуемо, как транзисторы. Их активность зависит от сложных биологических процессов, которые постоянно меняются. Поэтому учёным необходимо не только научиться передавать информацию нервным клеткам, но и находить способы интерпретировать их ответы.
Лабораторные мини-мозги распознают шрифт Брайля
В исследовании, опубликованном в журнале Frontiers in Artificial Intelligence, учёные из Бристольского университета проверили, способны ли выращенные в лаборатории нервные ткани обрабатывать тактильную информацию, закодированную в виде символов шрифта Брайля.
Использованные органоиды имели размер всего несколько миллиметров и содержали около 10 000 нервных и вспомогательных клеток. Их разместили на специальных матрицах микроэлектродов, позволяющих подавать электрические импульсы и регистрировать ответную активность ткани.
Эксперимент проходил следующим образом. Тактильный датчик сканировал символы Брайля и преобразовывал полученные данные в последовательности электрических сигналов. Эти сигналы поступали в органоиды, а возникающая активность нейронов анализировалась обычным алгоритмом машинного обучения.
Результаты оказались многообещающими.
При использовании отклика одного органоида алгоритм правильно определял символ в 61% случаев. Когда исследователи объединили данные трёх органоидов, точность распознавания выросла до 83%. Кроме того, объединённая система оказалась устойчивее к искусственно добавленным помехам.
Это важный результат: живая нервная ткань способна преобразовывать поступающую информацию так, чтобы в её активности сохранялись закономерности, пригодные для дальнейшего анализа.
Впрочем, есть существенная оговорка. Органоиды не научились самостоятельно читать шрифт Брайля в привычном смысле слова. Их не обучали распознавать буквы через многократный опыт. Символы кодировались определённым способом, а окончательную классификацию выполнял компьютерный алгоритм. Таким образом, эксперимент продемонстрировал прежде всего возможность использовать биологическую ткань как часть вычислительной системы.
Может ли живая нервная ткань научиться управлять роботом?
Другое направление исследований связано с тем, как нейронные сети приспосабливаются к изменениям окружающей среды.
Компания Cortical Labs из Мельбурна совместно с Honda Research Institute Europe исследует методы, позволяющие живым нейронам обучаться посредством взаимодействия с виртуальным миром.
В одном из экспериментов биологическую вычислительную систему связали с виртуальным агентом, который перемещался по условному пространству в поисках цели. Агент ориентировался на смоделированный градиент запаха, напоминающий распространение ароматического вещества от источника. Ему требовалось выбирать одно из трёх действий: двигаться вперёд, поворачивать налево или направо, чтобы добраться до условной «пищи».
Главная сложность заключалась в настройке сигналов, поступающих к нейронам. Исследователи испытали около 1300 конфигураций электрической стимуляции. В общей сложности эксперименты охватили более 4000 часов взаимодействия в реальном времени и десятки биологических вычислительных модулей.
В итоге 12 конфигураций продемонстрировали достаточно стабильное обучение в нескольких последовательных эпизодах. При сопоставимых условиях эти оптимизированные биологические агенты превзошли традиционные ориентиры обучения с подкреплением в задачах навигации.
Обучение с подкреплением — это подход в искусственном интеллекте, при котором система учится выбирать действия, получая обратную связь об их результатах. Например, виртуальный агент может постепенно находить более эффективный маршрут, если успешные действия получают положительную оценку.
Исследование показывает, что результат работы биологических компьютеров во многом зависит от того, как именно организован обмен сигналами между нейронами и внешней системой. Правильно подобранные параметры стимуляции помогают сделать обучение более устойчивым и воспроизводимым.
Биологический компьютер управляет робособакой
Ещё один эксперимент продемонстрировал, что активность выращенной нервной ткани можно использовать для управления движениями физического робота.
В отдельной разработке Cortical Labs частота электрических импульсов в биологической нейронной сети служила сигналом для управления робособакой, перемещавшейся в ограниченном пространстве.
Это не означает, что миниатюрная лабораторная модель мозга самостоятельно управляла роботом так же, как человек управляет своим телом. Речь идёт об экспериментальной системе, в которой активность живых клеток преобразуется в команды для механических исполнительных устройств.
Сооснователь и генеральный директор Cortical Labs Бретт Каган (Brett Kagan) отмечает, что современные роботы уже умеют уверенно ходить, бегать и выполнять сложные физические движения. Однако им по-прежнему трудно быстро учиться и адаптироваться, когда условия меняются. Выбор того, какое действие предпринять и в какой момент, остаётся отдельной инженерной задачей.
Именно здесь биологические вычисления могут оказаться полезными. Если живая нейронная сеть научится эффективно обрабатывать сигналы из меняющейся среды, она потенциально сможет дополнить традиционные алгоритмы управления роботами.
Подобные эксперименты пока не приближают нас к массовому использованию биологических компьютеров в промышленности или автономном транспорте. Но они помогают проверить принципиальную возможность соединить адаптивность живых нейронов с точностью электронных систем и механики.
Почему биологические вычисления могут оказаться эффективнее
Главное преимущество нервной ткани — сочетание энергоэффективности и способности изменяться под воздействием опыта.
В мозге нейроны образуют сложные сети, связи между которыми могут усиливаться или ослабевать. Это свойство называется нейропластичностью. Благодаря ему нервная система способна перестраивать обработку информации в ответ на новые задачи и обстоятельства.
Многие современные системы искусственного интеллекта тоже способны обучаться, но для этого нередко требуются значительные вычислительные мощности и большие объёмы данных. Биологические вычисления предлагают альтернативный подход: использовать уже существующие природные механизмы обработки информации.
Однако сравнивать энергопотребление только самих нейронов недостаточно. Чтобы поддерживать живые клетки, необходимы питательная среда, контроль температуры и других условий, а также оборудование для стимуляции и регистрации электрической активности. Всё это тоже потребляет энергию.
Поэтому реальное преимущество биологического компьютера можно будет оценить лишь после учёта затрат всей системы, а не только её живой части.
Есть и другая проблема: непредсказуемость биологических процессов. Электронные схемы обычно работают по строго заданным правилам, тогда как реакция нейронов может меняться. Чтобы превратить такие системы в практический инструмент, исследователям предстоит разработать надёжные способы настройки, измерения производительности и проверки результатов.
Что ждёт биогибридные компьютеры в будущем
Работы с органоидами, виртуальными агентами и роботами показывают, что биологические вычисления постепенно превращаются из необычной демонстрации в самостоятельное инженерное направление. Исследователи разрабатывают методы оптимизации интерфейсов, оценивают устойчивость обучения и проверяют, насколько хорошо живые нейронные сети справляются с разными задачами.
При этом цель не обязательно заключается в создании компьютера, целиком состоящего из мозговой ткани. Гораздо реалистичнее рассматривать живые нейроны как дополнение к традиционной электронике — специализированный вычислительный компонент, способный эффективно справляться с определёнными типами обработки информации.
До практического применения ещё далеко. Необходимо решить проблемы поддержания жизнеспособности клеток, стабильности их работы и общей энергоэффективности. Но уже сейчас эксперименты позволяют исследовать, как природные механизмы обучения можно использовать в технологиях.
Если учёным удастся сделать такие системы достаточно надёжными, биогибридные вычисления могут найти применение в робототехнике, адаптивных устройствах и других областях, где важно быстро приспосабливаться к новым условиям.
