Austrālijas uzņēmums Cortical Labs prezentējis sistēmu HIVE, kas apvieno 15 tā bioloģiskos CL1 datorus. Šajās ierīcēs uzdevumu risināšanai un mācībai tiek izmantotas laboratorijā audzētas cilvēka smadzeņu šūnas, un jaunā pieeja paredz, ka vairāku šādu datoru sadarbība varētu būt efektīvāka nekā darbs ar vienu neironu kultūru.

HIVE tika prezentēta pirmajā Starptautiskajā organoīdu intelekta konferencē, kas šonedēļ notika ASV. Uzņēmums norāda, ka, savienojot vairākas bioloģiskās skaitļošanas sistēmas, to kolektīvie neironi uzdevumus sāk risināt labāk un “gudrāk”.

Neironi paši sadala uzdevumus

Lielāks smadzeņu šūnu skaits ne vienmēr automātiski nozīmē labāku rezultātu, tomēr HIVE gadījumā CL1 sistēmas, šķiet, sadalīja dažādus uzdevuma aspektus un atrada efektīvāku ceļu līdz mērķim. Pētnieki šādu darba sadali šūnām nebija īpaši iemācījuši — neironi to izveidoja paši, nonākot lielākā tīklā.

“Bioloģiskajai skaitļošanai ir milzīgs potenciāls, taču lietderīgas sistēmas nevar būt atkarīgas no tā, vai viena kultūra katru reizi darbojas nevainojami,” sacīja Cortical Labs līdzdibinātājs un vadītājs Brets Kagans.

Viņš skaidroja, ka daba sarežģītas problēmas risina kolektīvi: smadzenes informāciju sadala specializētos reģionos, savukārt bišu stropā daudzi īpatņi ar atšķirīgām funkcijām veicina kopīgu rezultātu. Pēc Kagana teiktā, HIVE šo principu pārnes uz bioloģisko skaitļošanu, veidojot sistēmas, kas varētu būt konsekventākas, noturīgākas un spējīgākas par atsevišķu neironu kultūru.

“Atsevišķu neironu informācijas apstrādes sistēmu sadarbība dabā nav nekas jauns, taču tagad mums ir mērogs, kas var pārsniegt fizioloģiskos ierobežojumus. To nodrošina Cortical Labs CL1 platformas kontrole, mērogs un aparatūras integrācija,” sacīja uzņēmuma pārstāvis.

Vairāku sistēmu sadarbība uzlabo stabilitāti

Pēc komandas teiktā, HIVE priekšrocība nav tikai mērogojamība — sistēma esot arī stabilāka. Tā kā sistēmas veido dzīvas šūnas, viena neironu grupa kādā dienā var darboties ļoti labi, bet citā — kļūt mazāk aktīva. Vairāku grupu apvienošana ļauj sadalīt slodzi un saglabāt vienmērīgāku sniegumu.

Šāda uzbūve nozīmē arī to, ka sistēma var turpināt darboties, ja kāda no grupām pārstāj reaģēt. Simbolu atpazīšanas testā septiņu bioloģisko datoru savienošana palielināja rezultātu precizitāti no aptuveni 80% līdz 99%, norāda Cortical Labs.

HIVE testos pārspēj atsevišķu bioloģisko datoru

Kādā citā eksperimentā HIVE vadīja virtuālu tēlu pa režģi, lai tas atrastu konkrētu mērķi. Pētnieki sistēmu salīdzināja ar tradicionālo mākslīgā intelekta modeli Deep Q Network jeb DQN, kas izmanto algoritmus, nevis smadzeņu šūnas.

DQN sasniedza aptuveni 32% no maksimālā iespējamā rezultāta, bet labākais atsevišķais Cortical Labs bioloģiskais dators — 40%. Kad par nākamajiem gājieniem lēma vairāki bioloģiskie datori, rezultāts pieauga līdz aptuveni 70%. Savukārt uzdevuma sadalīšana starp specializētām bioloģiskās skaitļošanas grupām ļāva sasniegt ap 80%.

Pētnieki uzsver, ka šie ir sākotnēji rezultāti, kas atkarīgi no eksperimenta uzbūves un konkrētā MI modeļa, ar kuru HIVE tika salīdzināta. Tomēr Cortical Labs uzskata, ka dati pamato neironu tīklu kolektīvas darbības potenciālu, nevis tikai atsevišķu bioloģisko datoru izmantošanu.

Nākamais solis — izprast savienoto neironu darbību

Komanda tagad vēlas noskaidrot, kā neironi savienotajās ierīcēs apmainās ar signāliem un apstrādā atgriezenisko saiti. Pētnieki arī pārbaudīs, vai lielāks savienojumu skaits varētu vēl vairāk uzlabot rezultātus.

Cortical Labs zinātnieks Džonsons Džou norādīja, ka viena kultūra konkrētā dienā var darboties īpaši labi, kamēr cita — ne tik veiksmīgi. “Kad kultūras strādā kopā, šīs individuālās atšķirības mazāk ietekmē gala rezultātu. HIVE ļauj mums pārvaldīt šo mainīgumu, vienlaikus izmantojot pielāgošanās spējas, kas bioloģiskās sistēmas padara tik jaudīgas,” viņš sacīja.

Papildus praktiskajām iespējām šāda sistēma varētu būt arī energoefektīvāks veids mašīnmācīšanās izmantošanai. Pētījums tika prezentēts Starptautiskajā organoīdu intelekta konferencē, kas Vašingtonā notika 26. un 27. oktobrī.