Живые нейроны крыс научили выполнять вычисления в реальном времени

Исследователи из Университета Тохоку и Университета будущего Хакодатэ в Японии обучили культивированные нейроны коры головного мозга крыс самостоятельно генерировать сложные временные сигналы с помощью системы машинного обучения в реальном времени.

Учёные объединили живые нейроны с массивами микроэлектродов высокой плотности и микрофлюидными элементами, создав замкнутую систему резервуарных вычислений. Система научилась воспроизводить периодические и хаотические волновые формы без какого-либо внешнего входного сигнала.

Технически это работает так:

• Массив из 26 400 электродов с шагом 17,5 микрометра записывает последовательности нейронных импульсов

• Далее проходит фильтрация в непрерывные сигналы

• После этого проходит декодировка выходного сигнала через линейный считывающий слой

• Полученный результат подаётся обратно на нейроны в виде электрической стимуляции, замыкая петлю обратной связи с циклом примерно в 333 миллисекунды

Веса считывающего слоя оптимизировались в реальном времени с помощью алгоритма FORCE (First-Order Reduced and Controlled Error). Алгоритм непрерывно корректировал декодер, минимизируя разницу между фактическим выходным сигналом сети и целевой волновой формой.

Ключевой технологией, по словам исследователей, стало использование микрофлюидных плёнок из PDMS для ограничения способов соединения нейронов между собой. Без физических ограничений культивированные нейроны формируют плотные, высокосинхронизированные сети, которые разряжаются одновременно. Такие однородные сети оказались неспособны обучиться ни одному из целевых сигналов.

Вместо этого учёные разместили тела нейронных клеток в 128 квадратных ячейках размером примерно 100 на 100 микрометров, в каждой из которых находилось в среднем 14,6 нейрона. Ячейки соединялись микроканалами в двух конфигурациях – решётчатой с однородными связями между ближайшими соседями и иерархической с более разрежёнными многоуровневыми связями.

Обе конфигурации радикально снизили попарную корреляцию нейронной активности по сравнению с неструктурированными культурами – 0,11 и 0,12 против 0,45. Это увеличило размерность динамики сети.

Решётчатые сети стабильно превосходили иерархические на всех целевых волновых формах – вероятно, за счёт более плотных межмодульных связей, обеспечивавших более высокую частоту разрядов и дававших линейному декодеру больше сигнала для работы.

С помощью обеих конфигураций система научилась генерировать синусоидальные волны с периодами 4, 10 и 30 секунд, а также треугольные и прямоугольные волны. Одна и та же культура могла быть переобучена для осцилляции на разных частотах.

Исследователи также продемонстрировали, что система способна аппроксимировать аттрактор Лоренца – трёхмерную хаотическую траекторию.

Хидэаки Ямамото, профессор Научно-исследовательского института электрических коммуникаций при Университете Тохоку, отметил:

Эта работа показывает, что живые нейронные сети представляют собой не только биологически значимые системы, но и могут служить новыми вычислительными ресурсами.

Впрочем, у системы есть ограничения. После прекращения обучения и перехода в автономный режим производительность падала – среднеквадратичная ошибка возрастала в 99% случаев. Задержка петли обратной связи в примерно 330 миллисекунд также ограничивала способность системы отслеживать быстро меняющиеся или резкие волновые формы.

Neuralink планирует автоматизировать операции на мозге и запустить массовое производство имплантов в 2026 году

Исследователи отметили, что сокращение задержки с помощью специализированного оборудования или альтернативных методов фильтрации может расширить диапазон обучаемых сигналов, а в перспективе технология найдёт применение в интерфейсах "мозг-машина" и нейропротезных девайсах.