Biyolojik Beyin Dokusu Dijital Veri İşleme Sürecine Dahil Edildi
Japonya merkezli Tohoku Üniversitesi ve Future University Hakodate bünyesindeki araştırmacılar, laboratuvar ortamında yetiştirilen canlı fare kortikal nöronlarını, karmaşık zaman temelli sinyalleri otonom olarak üretebilecek şekilde eğitmeyi başardı. Proceedings of the National Academy of Sciences dergisinde yayımlanan çalışma, biyolojik dokuların yapay zeka sistemleri için bir "hesaplama kaynağı" olarak kullanılabileceğini kanıtlıyor. Araştırmacılar, canlı nöronları yüksek yoğunluklu mikroelektrot dizileri ve mikroakışkan cihazlarla entegre ederek kapalı döngü bir rezervuar bilgisayar sistemi oluşturdu. Bu benzersiz sistem, dışarıdan herhangi bir komut almadan periyodik ve kaotik dalga formlarını başarıyla üretebiliyor.Karmaşık Hesaplamalar İçin Mikroakışkan Tasarımlar Kullanıldı
Sistem, 26.400 elektrotluk bir dizi üzerinden nöronlardan gelen sinyalleri kaydederek bunları sürekli sinyallere dönüştürüyor ve doğrusal bir okuma katmanı aracılığıyla işliyor. Bu işlem sonucunda elde edilen veriler, elektriksel uyarı olarak tekrar nöronlara gönderiliyor ve yaklaşık 333 milisaniyelik bir döngü süresiyle sürekli bir geri besleme sağlanıyor. Sistemin başarısındaki kritik nokta, nöronların birbirine bağlanma biçimini kısıtlamak için kullanılan PDMS mikroakışkan filmler oldu. Fiziksel kısıtlamaların olmadığı ortamlarda nöronlar oldukça yoğun ve senkronize ağlar oluşturarak öğrenme kapasitelerini yitirirken, bu yöntemle nöron gövdeleri 100x100 mikrometrelik 128 farklı hücreye hapsedildi.Canlı Nöronların Hesaplama Kapasitesi Test Edildi
Kurulan kafes ve hiyerarşik ağ yapıları, geleneksel kültürlere göre çok daha yüksek bir dinamik çeşitlilik sundu. Araştırmacılar, bu sistemin 4, 10 ve 30 saniyelik periyotlara sahip sinüs dalgalarının yanı sıra üçgen ve kare dalga formlarını da başarıyla üretebildiğini gözlemledi. Sistem, üç boyutlu kaotik bir yörünge olan Lorenz çekicisi verilerini bile %80 üzerinde bir doğrulukla tahmin edebildi. Tohoku Üniversitesi'nden Profesör Hideaki Yamamoto, bu çalışmanın canlı nöron ağlarının sadece biyolojik birer yapı değil, aynı zamanda yeni nesil hesaplama kaynakları olarak da kullanılabileceğini vurguluyor.Gecikme Sorunları ve Nöroprotez Teknolojilerinin Geleceği
Eğitim süreci durdurulduğunda sistemin performansında düşüş gözlenmesi, öğrenme sürecinin aktif bir geri besleme döngüsüne bağımlı olduğunu gösteriyor. Ayrıca yaklaşık 330 milisaniyelik gecikme süresi, sistemin keskin kenarlı veya çok hızlı değişen dalga formlarını takip etmesini zorlaştıran en büyük teknik engel olarak öne çıkıyor. Donanım tabanlı iyileştirmeler ve gelişmiş filtreleme yöntemleriyle bu gecikmenin azaltılması hedefleniyor. Bu teknolojinin olgunlaşması, gelecekte beyin-makine arayüzlerinin ve gelişmiş nöroprotez cihazlarının çalışma prensiplerini kökten değiştirebilecek potansiyel taşıyor.Kaynak: Orijinal Habere Git