Rețele neuronale biologice ca alternative viabile la modelele de învățare automată
O echipă de cercetare de la Universitatea Tohoku și Universitatea de Viitor Hakodate a demonstrat că neuronii biologici vii pot fi antrenați pentru a efectua o sarcină de învățare a modelului temporal supravegheat, realizată anterior de sistemele artificiale.
Prin integrarea rețelelor neuronale cultivate într-un cadru de învățare automată, cercetătorii au arătat că aceste sisteme biologice pot genera semnale complexe de tip serie temporală, marcând un progres semnificativ în domeniile neuroștiinței și informaticii inspirate biologic.
Studiul a fost publicat online în Proceedings of the National Academy of Sciences (PNAS) pe 12 martie 2026, evidențiind o intersecție inovatoare între sistemele neuronale vii și tehnologia computațională. Rezultatele sugerează că rețelele neuronale biologice (BNN) ar putea servi ca alternative viabile sau complementare modelelor existente de învățare automată.
Rețelele neuronale artificiale (ANN) și rețelele neuronale cu impulsuri (SNN) au fost folosite timp de mulți ani în învățarea automată și hardware-ul neuromorfic. Un cadru cunoscut sub numele de calcul prin rezervor a apărut ca o abordare eficientă pentru procesarea datelor dependente de timp, valorificând proprietățile dinamice ale ANN-urilor și SNN-urilor interconectate recurent.
În cadrul calculului prin rezervor bazat pe ANN convențional, metode precum învățarea First-Order Reduced and Controlled Error (FORCE) permit adaptarea în timp real prin ajustarea continuă a semnalelor de ieșire în răspuns la erori. Aceste tehnici permit sistemelor artificiale să genereze o gamă largă de modele temporale, inclusiv semnale periodice și haotice. Totuși, aplicabilitatea acestor abordări la rețelele neuronale biologice a rămas o întrebare deschisă.
Pentru a aborda această lacună, cercetătorii au construit rețele neuronale biologice folosind neuroni corticali de șobolan cultivați și le-au integrat într-un cadru de calcul prin rezervor. Prin aplicarea învățării FORCE pentru a optimiza stratul de citire al sistemului, echipa a reușit să antreneze rețelele biologice pentru a produce semnale temporale complexe comparabile cu cele implicate în controlul motor.
O inovație cheie a studiului a fost utilizarea dispozitivelor microfluidice pentru a ghida cu precizie creșterea neuronală și a controla conectivitatea rețelei. Această abordare a permis cercetătorilor să creeze arhitecturi de rețea modulare care minimizează sincronizarea excesivă, promovând astfel dinamica bogată și de înaltă dimensiune necesară pentru un calcul eficient prin rezervor.
Utilizând acest sistem, cadrul bazat pe BNN a fost capabil să genereze o varietate de modele de tip serie temporală, inclusiv unde sinusoidale, unde triangulare, unde pătrate și chiar traiectorii haotice, cum ar fi atractorul Lorenz. Rețeaua a demonstrat flexibilitate, învățând și reproducând stabil unde sinusoidale cu perioade variind de la 4 la 30 de secunde în cadrul aceluiași sistem.
Acest demers arată că rețelele neuronale vii constituie nu doar sisteme biologice semnificative, ci pot servi și ca resurse computaționale inovatoare. Prin stabilirea unei legături între neuroștiință și învățarea automată, se deschide o cale către noi forme de calcul care valorifică dinamica intrinsecă a sistemelor biologice.
Privind spre viitor, echipa de cercetare își propune să îmbunătățească stabilitatea generării semnalelor după finalizarea antrenamentului. Eforturile viitoare se vor concentra pe reducerea întârzierilor de feedback și rafinarea algoritmului de învățare FORCE. În paralel, platforma ar putea fi extinsă într-un sistem microfiziologic pentru studierea răspunsurilor la medicamente și modelarea tulburărilor neurologice, extinzând astfel impactul său în domeniile științifice și medicale.
