Миллионы лет эволюции научили клетки нашего собственного мозга ориентироваться в хаотичном мире, где умение выбрать верное действие нередко становится вопросом жизни и смерти. Именно эта способность теперь интересует разработчиков вычислительных систем.
Источник изображения — newatlas.com
Биогибридные вычисления — развивающееся направление, которое объединяет живую нервную ткань с привычной электроникой и программным обеспечением. Вместо того чтобы просто имитировать мозг кремниевыми чипами, этот подход поручает вычислительную работу настоящим нейронам.
Потенциал велик. Биологические нейросети быстро адаптируются и обрабатывают информацию параллельно, тратя при этом крайне мало энергии. Если научиться использовать эти свойства, компьютеры и роботы однажды смогут учиться на опыте без колоссальных вычислительных ресурсов, которых требуют традиционные системы.
Но превратить живые клетки в надёжные вычислительные компоненты пока остаётся серьёзной инженерной задачей.
В исследовании, опубликованном в этом месяце в журнале Frontiers in Artificial Intelligence, учёные из Бристольского университета проверили, способны ли крошечные лабораторные модели переднего мозга человека — так называемые органоиды — обрабатывать тактильную информацию, представленную шрифтом Брайля.
Структуры шириной около миллиметра, состоящие примерно из 10 000 нейронов и вспомогательных клеток, размещались на массивах микроэлектродов, позволявших стимулировать ткань и фиксировать её активность. Тактильный сенсор сканировал символы Брайля и преобразовывал измерения в паттерны электрической стимуляции, которые подавались на органоиды, а их отклики затем анализировал обычный алгоритм машинного обучения.
По отклику одного органоида алгоритм верно определял букву с точностью 61%. Объединение сигналов трёх органоидов подняло точность системы до впечатляющих 83%, а комбинированный подход оказался устойчивее к искусственно добавленному шуму.
Результаты показывают, что живая ткань способна преобразовывать тактильную информацию, сохраняя полезные закономерности.
При этом органоиды не обучались распознаванию Брайля на опыте: буквы кодировались фиксированным способом, а классификацию нейронных откликов выполнял компьютерный алгоритм. Однако другие команды уже находят у биогибридных систем значительный потенциал к обучению через стимулы.
Компания Cortical Labs из Мельбурна совместно с Honda Research Institute Europe недавно показала, что культивируемые нейроны способны улучшать свои результаты в ходе взаимодействия с виртуальной средой.
У биологических вычислений есть крупное препятствие: нейроны реагируют на электрические сигналы не так предсказуемо, как цифровое железо. Это закономерно — живые «схемы» хаотичны и зависят от сложной, постоянно меняющейся биологической динамики. Фреймворк Embodied Neurocomputation Framework рассматривает это как инженерную задачу, систематически оптимизируя входную информацию для нейросети.
Работа, которую представят на конференции NeurIPS в Сиднее в этом году, демонстрирует преимущества такого подхода к более систематичным биологическим вычислениям.
Используя биологические компьютеры CL1 от Cortical Labs, участники проекта подключили живые нейросети к виртуальному агенту, перемещавшемуся по миру в виде сетки.
Агент должен был двигаться к цели, ориентируясь на смоделированный градиент запаха, и выбирать — идти вперёд, повернуть налево или направо, — чтобы отыскать «еду». Исследователи протестировали около 1300 конфигураций электрических сигналов для общения с нейронами, накопив более 4000 часов взаимодействия в реальном времени на десятках биологических вычислительных блоков.
В итоге 12 конфигураций стабильно демонстрировали достаточный уровень обучения на протяжении множества эпизодов. При сопоставимых условиях эта горстка оптимизированных биологических агентов превзошла классические эталоны обучения с подкреплением в задачах навигации.
Зачем же вообще использовать биологию, если кремнию подобная оптимизация не нужна?
Привлекательность биогибридных вычислений во многом связана с феноменальной энергоэффективностью мозга. Серое вещество выполняет поразительные объёмы обработки информации, потребляя не больше энергии, чем сравнительно яркая лампочка.
Кроме того, нейроны перестраивают свои связи и активность в ответ на опыт. Эта пластичность открывает альтернативный путь к обучению — отличный от подходов нейросетей, опирающихся на масштабные вычисления.
Если удастся надёжно задействовать эти свойства, биологические вычисления однажды могут стать предпочтительным выбором там, где системам нужно адаптироваться к незнакомым условиям вдали от привычной среды.
В отдельной демонстрации Cortical Labs частота, с которой возбуждались клетки биологической нейросети, использовалась для управления движениями робота-собаки в небольшом пространстве.
Хотя «вальсирующая» собака пока далека от служебного пса в духе «Робокопа», подобная нейронная хореография представляет собой важное связующее звено между адаптивной «мокрой» тканью и программируемыми приводами, датчиками и механизмами, на которые всё активнее возлагают надежды в рутинных реальных задачах.
«Роботы становятся удивительно умелыми в физическом управлении, но по-прежнему с трудом справляются с управлением более высокого порядка — тем, что требуется, чтобы быстро учиться или перестраиваться при изменении условий», — отмечает Бретт Кейган, сооснователь и генеральный директор Cortical Labs.
«Ходьба, бег и акробатика — это потрясающе, но определить, где и когда совершать действие, традиционными методами по-прежнему сложно», — добавляет он.
Это далеко не первый пример, когда нейрология управляет движениями робота. Но каждый эксперимент приближает к системе, способной распознавать новые изменения вокруг и осознанно выбирать следующее действие.
Несмотря на прогресс, ни одна из демонстраций не означает, что биологические компьютеры вот-вот начнут работать на складах или возить пассажиров в роботакси. Одна из нерешённых проблем — поддержание ткани живой: культивируемым клеткам мозга нужны тщательно контролируемые условия и постоянный приток питательных веществ. Сами нейроны экономичны, но вся обслуживающая аппаратура потребляет энергию, поэтому итоговые затраты нужно оценивать по всему процессу, а не только по нейронам.
И всё же направление выходит за рамки забавных демонстраций с органоидами, играющими в компьютерные игры. Компании разрабатывают методики измерения производительности, оптимизации интерфейсов и проверки того, способны ли биологические вычисления давать стабильный результат в разных задачах.
Цель — не построить компьютер целиком из мозговой ткани, а выяснить, действительно ли живые нейросети могут дополнить кремний. Если это удастся, биогибридные вычисления дадут способ создавать системы, которые эффективно учатся и адаптируются там, где наш собственный мозг присутствовать не может.
