Современный ИИ обычно опирается на искусственные нейронные сети — математические модели, вдохновленные работой мозга. Для обработки сигналов, меняющихся во времени, например речи, движений или сенсорных данных, часто используют подход под названием reservoir computing, или «резервуарные вычисления». Его идея в том, что сложная рекуррентная сеть сама создает богатую внутреннюю динамику, а обучать нужно в основном только выходной слой, который считывает результат. Такой метод особенно удобен для решения задач, где важна последовательность событий во времени.
До сих пор оставался открытым вопрос: можно ли использовать в качестве такого «резервуара» не искусственную, а живую нейронную сеть? Чтобы это проверить, специалисты Университета Тохоку и Университета будущего в Хакодате вырастили биологические нейронные сети из корковых нейронов крысы и подключили их к вычислительной схеме. Электрическая активность нейронов записывалась, преобразовывалась в непрерывный сигнал, после чего специальный алгоритм обучения FORCE подстраивал выход системы, сравнивая его с целевым шаблоном и возвращая обратную связь обратно в сеть.
Важной частью работы стали микрофлюидные устройства, которые позволили точно направлять рост нейронов и управлять связями между ними. Это помогло избежать чрезмерной синхронизации — состояния, когда все нейроны начинают работать слишком одинаково, а вычислительные возможности сети снижаются.
В результате живая нейросеть научилась воспроизводить синусоидальные, треугольные и прямоугольные волны, а также более сложные хаотические сигналы, например аттрактор Лоренца — классический пример динамического хаоса. Более того, одна и та же система смогла устойчиво генерировать синусоиды с периодами от 4 до 30 секунд.
«Эта работа показывает, что живые нейронные сети — это не только биологически значимые системы, но и потенциально новые вычислительные ресурсы, — говорит профессор Университета Тохоку Хидэаки Ямамото. — Соединяя нейронауку и машинное обучение, мы открываем путь к новым формам вычислений, которые используют внутреннюю динамику биологических систем».
В будущем ученые хотят повысить стабильность работы системы после завершения обучения, уменьшить задержки обратной связи и улучшить алгоритм. Кроме того, платформу можно использовать не только для вычислений, но и как модель для тестирования лекарств и изучения неврологических заболеваний. Это делает исследование важным для развития не только ИИ, но и медицины.
Ранее ученые нашли способ сократить энергопотребление ИИ в 100 раз.
