Исследователи Принстонского университета представили трёхмерное нейросетевое устройство, объединяющее живые клетки мозга и встроенную электронику. Сообщается, что биоэлектронный 3D-компьютер уже обучили различать паттерны с помощью вычислительных методов.
Речь идёт о живых нейронах, выполняющих вычислительные задачи за пределами мозга при помощи интегрированной электроники. Подобные эксперименты проводились и раньше – обычно учёные выращивали двумерные культуры в чашках Петри либо формировали трёхмерные кластеры, снимая показания исключительно с внешней стороны.
Команда из Принстона выбрала иной подход. Для девайса собрали трёхмерную сетку из микроскопических проводов и электродов, закреплённых на тонком слое эпоксидной смолы. На этот каркас исследователи поместили десятки тысяч нейронов, которые сформировали обширную 3D-сеть, способную к вычислениям.
Новый метод позволил записывать и стимулировать электрическую активность нейронов на гораздо более тонком уровне, чем при прежних подходах, отмечают авторы работы. На протяжении шести месяцев команда наблюдала за развитием сети, тестировала способы укрепления и ослабления связей между ключевыми нейронами и в итоге обучила алгоритм распознавать повторяющиеся импульсные паттерны.
Для проверки системы исследователи в отдельных экспериментах подавали два разных паттерна – устройство успешно различало их в обоих случаях. В дальнейшем команда планирует постепенно масштабировать конструкцию, чтобы она справлялась со всё более сложными задачами.
По словам ведущего автора исследования Кумара Мритунджая, технология способна не только раскрыть вычислительные секреты мозга, но и помочь в понимании и потенциальном лечении неврологических заболеваний.
Изначально работа задумывалась как фундаментальное исследование в области нейронауки, направленное на изучение активности живых клеток мозга. Эта цель сохраняется, однако в ходе экспериментов команда обнаружила и иное возможное применение – борьба с одним из главных ограничений ИИ, его энергопотреблением.
Исследователи рассчитывают, что подход поможет приоткрыть механизмы такой энергоэффективности и в перспективе позволит воспроизвести их в искусственных системах, решив проблему ненасытного аппетита ИИ к электричеству.
