یک گلوله کوچک از سلول های مغز در حالی که روی مجموعه ای از الکترودها قرار می گیرد، با فعالیت زمزمه می کند. به مدت دو روز، الگویی از زاپ های الکتریکی دریافت می کند که هر تحریک ویژگی های گفتاری هشت نفر را رمزگذاری می کند. در روز سوم، می تواند بین سخنرانان تمایز قائل شود.

این سیستم که Brainoware نام دارد، با ضربه زدن به ارگانوئیدهای مغزی سه بعدی یا "مغز کوچک" میله را برای محاسبات زیستی افزایش می دهد. این مدل‌ها، که معمولاً از سلول‌های بنیادی انسانی رشد می‌کنند، به سرعت به نورون‌های مختلفی تبدیل می‌شوند که در شبکه‌های عصبی بافته می‌شوند.

مانند همتایان بیولوژیکی خود، حباب‌ها با فعالیت الکتریکی جرقه می‌زنند که نشان می‌دهد آنها پتانسیل یادگیری، ذخیره و پردازش اطلاعات را دارند. دانشمندان مدتهاست که آنها را به عنوان یک جزء سخت افزاری امیدوارکننده برای محاسبات الهام گرفته از مغز می دانند.

این هفته یک تیم در دانشگاه ایندیانا بلومینگتون نظریه را با Brainoware به واقعیت تبدیل کرد. آنها یک ارگانوئید مغزی شبیه قشر مغز - بیرونی ترین لایه مغز که از عملکردهای شناختی بالاتر پشتیبانی می کند - را به یک تراشه ویفر مانند پر از الکترود متصل کردند.

مینی مغز هم مانند واحد پردازش مرکزی و هم مانند حافظه یک ابر رایانه عمل می کرد. این ورودی به شکل زاپ های الکتریکی دریافت می کرد و محاسبات خود را از طریق فعالیت عصبی به خروجی می داد، که متعاقباً توسط یک ابزار هوش مصنوعی رمزگشایی شد.

وقتی Brainoware در مورد صداهای جمعی از افراد آموزش دید - به زاپ های الکتریکی تبدیل شد - سرانجام Brainoware یاد گرفت که "صداهای" افراد خاص را تشخیص دهد. در آزمایش دیگری، این سیستم با موفقیت با یک مسئله پیچیده ریاضی که برای هوش مصنوعی چالش برانگیز است، مقابله کرد.

توانایی این سیستم برای یادگیری ناشی از تغییرات در اتصالات شبکه عصبی در مینی مغز است - چیزی شبیه به آنچه که مغز ما هر روز یاد می گیرد. اگرچه Brainoware تنها قدم اول است، اما راه را برای بیوکمپیوترهای هیبریدی پیچیده‌تر هموار می‌کند که می‌توانند هزینه‌های انرژی را کاهش داده و محاسبات را سرعت بخشند.

این تنظیمات همچنین به دانشمندان علوم اعصاب اجازه می دهد تا عملکرد درونی مغز ما را بیشتر کشف کنند.

در حالی که دانشمندان کامپیوتر در حال تلاش برای ساخت کامپیوترهای سیلیکونی شبیه مغز هستند، دانشمندان علوم اعصاب در تلاش برای درک محاسبات کشت های سلولی مغز هستند. نوشت دکتر لنا اسمیرنوا، برایان کافو و اریک سی جانسون در دانشگاه جانز هاپکینز که در این مطالعه شرکت نداشتند. Brainoware می‌تواند بینش‌های جدیدی در مورد نحوه یادگیری ما، چگونگی رشد مغز ارائه دهد و حتی به آزمایش درمان‌های جدید برای زمانی که مغز دچار تزلزل می‌شود کمک کند.

چرخشی در محاسبات نورومورفیک

مغز انسان با 200 میلیارد نورون که در صدها تریلیون اتصال شبکه ای شده است، شاید قوی ترین سخت افزار محاسباتی شناخته شده باشد.

تنظیمات آن ذاتاً متفاوت از رایانه های کلاسیک است که دارای واحدهای جداگانه برای پردازش و ذخیره سازی داده ها هستند. هر کار به داده های شاتل کامپیوتری بین این دو نیاز دارد که به طور چشمگیری زمان و انرژی محاسباتی را افزایش می دهد. در مقابل، هر دو عملکرد در یک نقطه فیزیکی در مغز با هم متحد می شوند.

این ساختارها که سیناپس نامیده می شوند، نورون ها را به شبکه ها متصل می کنند. سیناپس ها با تغییر میزان ارتباط قوی با دیگران یاد می گیرند - تقویت ارتباط با همکاران که به حل مشکلات کمک می کند و دانش را در همان نقطه ذخیره می کند.

فرآیند ممکن است آشنا به نظر برسد. شبکه‌های عصبی مصنوعی، یک رویکرد هوش مصنوعی که جهان را در معرض طوفان قرار داده است، بر اساس این اصول استوار است. اما انرژی مورد نیاز بسیار متفاوت است. مغز با 20 وات کار می کند، تقریباً قدرت مورد نیاز برای راه اندازی یک فن کوچک رومیزی. یک شبکه عصبی مصنوعی مقایسه ای مصرف می کند هشت میلیون وات. مغز همچنین می تواند به راحتی از چند مثال یاد بگیرد، در حالی که هوش مصنوعی به طور بدنامی بر مجموعه داده های عظیم متکی است.

دانشمندان سعی کرده اند ویژگی های پردازش مغز را در تراشه های سخت افزاری خلاصه کنند. این تراشه های نورومورفیک که از اجزای عجیب و غریبی ساخته شده اند که با دما یا الکتریسیته خواص را تغییر می دهند، پردازش و ذخیره سازی را در یک مکان ترکیب می کنند. این تراشه ها می توانند بینایی کامپیوتر را تقویت کرده و گفتار را تشخیص دهند. اما ساخت آنها دشوار است و فقط تا حدودی عملکرد درونی مغز را به تصویر می کشد.

به جای تقلید از مغز با تراشه های کامپیوتری، چرا فقط از اجزای بیولوژیکی خودش استفاده نکنیم؟

یک کامپیوتر خوش فکر

مطمئن باشید، این تیم مغزهای زنده را به الکترودها متصل نکردند. در عوض، آنها به ارگانوئیدهای مغز روی آوردند. تنها در دو ماه، مغزهای کوچک ساخته شده از سلول‌های بنیادی انسان، به طیفی از انواع نورون‌ها تبدیل شدند که در شبکه‌های فعال الکتریکی به یکدیگر متصل شدند.

این تیم با احتیاط هر مینی مغز را روی تراشه ای شبیه مهر و مملو از الکترودهای کوچک انداختند. این تراشه می‌تواند سیگنال‌های سلول‌های مغز را از بیش از 1,000 کانال ضبط کند و ارگانوئیدها را با استفاده از نزدیک به سه دوجین الکترود به طور همزمان از بین ببرد. این امکان کنترل دقیق تحریک و ثبت فعالیت مینی مغز را فراهم می کند. با استفاده از یک ابزار هوش مصنوعی، خروجی های عصبی انتزاعی به پاسخ های انسان پسند در یک کامپیوتر معمولی تبدیل می شوند.

در یک تست تشخیص گفتار، تیم 240 کلیپ صوتی از 8 نفر در حال صحبت ضبط کردند. هر کلیپ گرفتن یک مصوت جدا شده. آنها مجموعه داده را به الگوهای منحصر به فرد تحریک الکتریکی تبدیل کردند و آنها را به یک مینی مغز تازه رشد کرده تغذیه کردند. تنها در دو روز، سیستم Brainoware توانست بین بلندگوهای مختلف با دقت نزدیک به 80 درصد تمایز قائل شود.

این تیم با استفاده از یک معیار رایج در علوم اعصاب دریافتند که زاپ‌های الکتریکی مینی مغز را برای تقویت برخی از شبکه‌ها در حالی که شبکه‌های دیگر را هرس می‌کنند، «آموزش می‌دهند» که نشان می‌دهد شبکه‌های خود را برای تسهیل یادگیری دوباره سیم‌کشی می‌کند.

در آزمایش دیگری، Brainoware در یک کار ریاضی چالش برانگیز در مقابل هوش مصنوعی قرار گرفت که می‌تواند به تولید رمزهای عبور قوی‌تر کمک کند. اگرچه دقت کمی کمتر از هوش مصنوعی با حافظه کوتاه مدت است، اما Brainoware بسیار سریعتر بود. بدون نظارت انسان، در کمتر از 10 درصد از زمانی که هوش مصنوعی صرف کرد، به نتایج تقریباً سازگاری رسید.

دکتر فنگ گوئو، نویسنده این مطالعه، "این اولین نمایش استفاده از ارگانوئیدهای مغزی [برای محاسبات] است." گفته شده فناوری MIT را نقد کنید.

کامپیوترهای سایبورگ؟

این مطالعه جدید جدیدترین مطالعه ای است که به بررسی بیوکمپیوترهای هیبریدی - ترکیبی از نورون ها، هوش مصنوعی و الکترونیک می پردازد.

بازگشت در 2020، یک تیم نورون های مصنوعی و بیولوژیکی را در شبکه ای ادغام کردند که با استفاده از ماده شیمیایی مغز دوپامین ارتباط برقرار می کردند. اخیرا، نزدیک به یک میلیون نورون که صاف در یک ظرف دراز کشیده بودند، بازی ویدیویی Pong را از زاپ های الکتریکی یاد گرفتند.

Brainoware یک گام بالقوه است. در مقایسه با نورون های جدا شده، ارگانوئیدها بهتر از مغز انسان و شبکه های عصبی پیچیده آن تقلید می کنند. اما آنها بدون عیب نیستند. مشابه الگوریتم‌های یادگیری عمیق، فرآیندهای درونی مینی‌مغزها نامشخص است و رمزگشایی «جعبه سیاه» نحوه محاسبه و مدت زمان حفظ خاطرات را دشوار می‌کند.

سپس مشکل "wetlab" وجود دارد. برخلاف پردازنده های کامپیوتری، مینی مغزها تنها می توانند محدوده باریکی از دما و سطوح اکسیژن را تحمل کنند، در حالی که دائما در معرض خطر عفونت های میکروبی بیماری زا هستند. این بدان معنی است که آنها باید با دقت در داخل یک آبگوشت مغذی با استفاده از تجهیزات تخصصی رشد کنند. انرژی مورد نیاز برای حفظ این فرهنگ ها ممکن است دستاوردهای سیستم محاسبات ترکیبی را جبران کند.

با این حال، مینی مغزها به طور فزاینده ای با سیستم های کوچکتر و کارآمدتر - از جمله آنهایی که عملکردهای ضبط و زاپینگ داخلی دارند، پرورش داده می شوند. سوال سخت تر در مورد چالش های فنی نیست. بلکه در مورد آن چیزی است که هنگام استفاده از مغز انسان به عنوان یک عنصر محاسباتی قابل قبول است. هوش مصنوعی و علوم اعصاب به سرعت در حال تغییر مرزها هستند و مدل‌های هوش مصنوعی مغز احتمالاً پیچیده‌تر خواهند شد.

اسمیرنوا، کافو و جانسون نوشتند: «برای جامعه ضروری است که تعداد بی‌شماری از مسائل عصبی اخلاقی را که سیستم‌های محاسبات زیستی که بافت‌های عصبی انسان را در بر می‌گیرند، بررسی کنند.»

تصویر های اعتباری: یک ارگانوئید مغز در حال توسعه / موسسه ملی آلرژی و بیماری های عفونی، NIH

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://singularityhub.com/2023/12/14/a-ball-of-brain-cells-on-a-chip-can-learn-simple-speech-recognition-and-math/