Un innovador enfoque de IA que utiliza organoides cerebrales para computación avanzada

En un estudio publicado en la revista Electrónica de la naturaleza, Investigadores de los Estados Unidos de América desarrollaron un enfoque de hardware de inteligencia artificial (IA) denominado “Brainoware” que emplea computación de reservorio adaptativo de las redes neuronales organoides cerebrales (ONN). Descubrieron que el enfoque podría lograr dinámicas no lineales, propiedades de memoria que se desvanecen y aprendizaje no supervisado, lo que demuestra su potencial práctico en tareas como la predicción de ecuaciones no lineales y el reconocimiento de voz.

Estudiar: Computación de reservorios organoides cerebrales para inteligencia artificial. Haber de imagen: Garras/Shutterstock del dragón

Fondo

Los chips de computadora de silicio impulsan principalmente las redes neuronales artificiales (RNA) que forman la base de la IA. Sin embargo, entrenar RNA en estos chips tiene limitaciones como un alto consumo de energía y tiempo, el cuello de botella de Neumann (segregación física de los datos del procesamiento de datos) y la desaceleración de la ley de Moore (duplicación más lenta de los transistores en un circuito integrado). Esto enfatiza la necesidad de diseñar nuevos enfoques de hardware de IA.

El cerebro humano, con su compleja red tridimensional de células y sinapsis, inspira el desarrollo de hardware de IA debido a su eficiencia energética, neurogénesis y plasticidad neuronal que permiten el procesamiento de datos ruidosos con un costo mínimo de entrenamiento. Si bien los chips neuromórficos intentan imitar las funciones cerebrales, existe la necesidad de mejorar sus capacidades en términos de procesamiento de información, abordar la incertidumbre de la vida real y utilizar energía.

Los organoides cerebrales son agregados tridimensionales desarrollados in vitro utilizando células madre para imitar la estructura y función del cerebro. Los investigadores del presente estudio desarrollaron un novedoso sistema de hardware de IA llamado “Brainoware” utilizando organoides cerebrales, que aprovecha la computación del reservorio y las capacidades de aprendizaje de las redes neuronales del organoide.

Sobre el estudio

Brainoware se integró en un marco informático de reservorio con tres componentes principales: una capa de entrada, una capa de reservorio (organoide) y una capa de salida. El sistema se construyó montando un organoide cerebral funcional, desarrollado utilizando células madre pluripotentes humanas, en una matriz multielectrodo (MEA) de alta densidad. El organoide formó la capa de reservorio y mostró la presencia de varios tipos de células cerebrales, estructuras tempranas similares al cerebro y actividad eléctrica de red. El organoide recibió señales a través de la capa de entrada, que convirtió las entradas dependientes del tiempo en secuencias espaciotemporales de estimulación eléctrica. El organoide cerebral actuó como un “reservorio vivo adaptativo” que mapeó estas señales a los ONN. En la capa de salida, MEA registró actividades neuronales que representan el estado del reservorio (usando técnicas como regresión lineal o logística) y las decodificó para proporcionar lecturas para aplicaciones como clasificación, reconocimiento y predicción.

Se probaron las propiedades físicas del reservorio de Brainoware, incluida la dinámica no lineal, el procesamiento de información espacial y la memoria que se desvanece, evaluando la respuesta del ONN a estimulaciones de diferentes tiempos de pulso y voltajes. Luego, el sistema se aplicó a tareas del mundo real, como el reconocimiento de voz y la predicción de ecuaciones caóticas no lineales.

En la tarea de reconocimiento de voz, se pidió a Brainoware que identificara las vocales del hablante en un grupo de hablantes. Se utilizó un total de 240 clips de audio de vocales japonesas aisladas pronunciadas por ocho hablantes masculinos diferentes para entrenar el sistema, y ​​las respuestas evocadas se clasificaron mediante regresión logística. Los cambios de conectividad funcional en el organoide antes y durante el entrenamiento se midieron por separado. En la siguiente tarea, Brainoware tuvo que predecir el mapa de Hénon, un sistema dinámico no lineal con comportamiento caótico. Un mapa bidimensional de Hénon se descompuso en una dimensión y se utilizó como entrada para Brainoware. La actividad evocada se registró antes y durante el entrenamiento y se comparó con los controles.

Resultados y discusión

Brainoware mostró las propiedades de un reservorio físico. La respuesta no lineal, el procesamiento espacial y la dinámica de desvanecimiento de los ONN podrían controlarse modificando los parámetros de estimulación de entrada. Se observaron respuestas más fuertes y una relajación más lenta con pulsos de alto voltaje y larga duración. Se descubrió que la dinámica de Brainoware estaba de acuerdo con la de las RNA y los memristores. A través del entrenamiento, se descubrió que Brainoware mejoraba su rendimiento computacional y exhibía capacidades de aprendizaje no supervisadas a través de su reservorio de vida adaptativo.

Brainoware mejoró su precisión durante el entrenamiento del 51 % al 78 % en la tarea de reconocimiento de voz, lo que sugiere la activación de capacidades de aprendizaje no supervisadas del organoide mediante estimulación eléctrica. Los resultados de las pruebas indicaron que el entrenamiento reformó la conectividad funcional del organoide, iniciando así el aprendizaje no supervisado.

Además, Brainoware pudo predecir con éxito el mapa de Hénon y superó a otros métodos, como la regresión lineal y ANN, con una unidad de memoria a corto plazo. Brainoware no podría funcionar sin el organoide, como lo indica la puntuación de regresión nula del sistema de control sin organoides. Se encontró que el rendimiento mejoraba con el entrenamiento, como lo indicaban las puntuaciones de regresión mejoradas. Los resultados de las pruebas mostraron que la actividad de aprendizaje de Brainoware dependía de la plasticidad neuronal.

Conclusión

En el presente estudio, los investigadores presentaron Brainoware como un hardware informático de reserva que aprovecha el poder computacional de los organoides cerebrales y demostraron su adaptabilidad, plasticidad y potencial para abordar los desafíos del hardware de IA actual. A pesar de ser muy prometedor, el enfoque Brainoware enfrenta desafíos en la generación y mantenimiento de organoides, el consumo de energía de los equipos periféricos, el uso de MEA planos y rígidos y la falta de herramientas eficientes de gestión de datos. En el futuro, se podrían desarrollar sistemas personalizados, de bajo consumo y inspirados en el cerebro, con interfaces cerebro-máquina avanzadas y software de gestión de datos para mejorar su aplicabilidad y precisión.