Levande råttneuroner används i hybrid AI för beräkningsuppgifter

Forskare har tagit ett betydande steg framåt inom hybridartificiell intelligens genom att utveckla ett system där levande råttneuroner utför beräkningsuppgifter. Experimentet bygger på idén att kombinera biologiska nervnätverk med maskininlärningsmetoder för att testa om levande celler kan fungera som fullvärdiga beräkningselement.

För att uppnå detta använde forskarna kortikala neuroner kopplade till mikrolektroder och mikrofluidiska enheter. Systemet fungerar i en sluten loop: nervsignaler läses av, omvandlas till utdata och matas sedan tillbaka som elektrisk stimulering. Denna cykel varar cirka 330 millisekunder, vilket gör att systemet kan lära sig i realtid utan yttre ingripande.

Särskild uppmärksamhet ägnades åt nätverkets struktur. Neuronerna placerades i 128 mikroporer förbundna med mikrokanaler, vilket bidrog till att minska överdriven synkronisering – ett vanligt problem i oorganiserade biologiska nätverk. Som ett resultat sjönk aktivitetskorrelationen nästan fyrdubbelt, vilket gjorde systemets beteende mer komplext och effektivt.

Under experimenten lyckades det biologiska nätverket reproducera olika signaler, inklusive sinus-, fyrkants- och triangulära vågor, och kunde approximera komplexa kaotiska system som Lorenz-attraktorn. Noggrannheten förblev hög med korrelationsnivåer över 0,8.

Tekniken är dock fortfarande långt ifrån praktisk användning. Efter att träningen avslutas sjunker systemets noggrannhet, och fördröjningar i återkopplingen begränsar dess förmåga att bearbeta snabbt föränderliga signaler. Ändå tror forskare att vidare utveckling skulle kunna leda till nya hjärn-dator-gränssnitt, neuroproteser och biohybrida beräkningsplattformar.