مغزهای کوچکتر از یک میلی‌متر به مهارت شناسایی حروف بریل دست یافتند
محققان با بهره‌گیری از سلول‌های زنده مغز انسانی، سیستمی را توسعه داده‌اند که قادر است حروف خط بریل را با دقت ۸۳ درصد شناسایی کند. این موفقیت، نقطه‌ی عطفی در مسیر بازطراحی رایانه‌های زیستی به شمار می‌آید که به جای اتکا کامل به تراشه‌های سیلیکونی، از شبکه‌های عصبی زنده برای پردازش داده‌ها بهره‌برداری می‌کنند.
مغز انسان با هزینه‌ی انرژی نسبتاً پایین، قابلیت فوق‌العاده‌ای در پردازش اطلاعات دارد. همین ویژگی پژوهشگران را ترغیب کرده تا از سلول‌های مغزی برای تولید فناوری‌های جدید استفاده کنند. در سال‌های اخیر، شواهدی موجود است که گروه‌های نورونی زنده می‌توانند در مزایای بازی‌های ویدیویی نظیر پونگ و دوم مشارکت کنند.
اکنون دانشمندان دانشگاه بریستول در بریتانیا با استفاده از ارگانوئیدهای مغزی به آزمایش این مفهوم پرداخته‌اند. ارگانوئیدها ساختارهای کوچکی از سلول‌های زنده هستند که در آزمایشگاه به‌گونه‌ای پرورش می‌یابند که برخی از ویژگی‌های مغز واقعی را تقلید می‌کنند. با این حال، این ساختارها مغزی کامل نیستند و هیچ دلیلی مبنی بر خودآگاهی آن‌ها وجود ندارد.
طبق گزارش آی‌اف‌ال‌ساینس، در این آزمایش جدید، محققان از ارگانوئیدهایی با قطر کمتر از یک میلی‌متر استفاده کردند که هرکدام تقریباً ۱۰هزار نورون و تعدادی سلول پشتیبان داشتند. برای مقایسه، مغز بزرگسالان انسانی حدود ۸۶ میلیارد نورون دارد.
محققان این مغزهای کوچک را بر روی یک مجموعه‌ای از الکترودها قرار دادند تا قادر به ارسال سیگنال‌های الکتریکی به آن‌ها و اندازه‌گیری فعالیت نورون‌ها باشند.
در مرحله اول، دانشمندان الگوهای لمسی مربوط به ۲۶ حرف الفبای بریل را با حسگرها ثبت و به سیگنال‌های الکتریکی تبدیل کردند. سپس این سیگنال‌ها به ارگانوئیدهای مغزی منتقل شدند و واکنش نورون‌ها مورد بررسی قرار گرفت. در مرحله‌ی بعد، الگوریتمی مبتنی بر یادگیری ماشین تلاش کرد تا با استفاده از الگوهای فعالیت عصبی، تشخیص دهد که کدام حرف بریل به ارگانوئید ارسال شده است.
این سیستم با استفاده از یک ارگانوئید موفق شد حروف را با دقت تقریبی ۶۱ درصد شناسایی کند، اما با ادغام پاسخ‌های سه ارگانوئید، دقت به ۸۳ درصد افزایش یافت.
به گفته تیانی لیو، نویسنده اصلی این پژوهش، شبکه‌های عصبی هر ارگانوئید به‌طور دقیق یکسان نیستند. به همین دلیل است که هر یک ممکن است به ورودی‌های مشخص پاسخ‌های متفاوتی بدهند و ترکیب واکنش‌های آن‌ها می‌تواند اطلاعات جامع‌تری را فراهم آورد.
این الگوریتم یادگیری ماشین با تحلیل پاسخ‌های سه ارگانوئید مغزی موفق به شناسایی حروف بریل با دقت ۸۳ درصد گردید.
محققان همچنین با افزودن نویز به سیگنال‌ها، وضعیت مقاوم بودن سیستم را در برابر داده‌های مخدوش آزمایش کردند. نتایج به‌دست‌آمده نشان می‌دهد که فعالیت نورون‌های زنده در برابر نویز از ظرفیت یادگیری ماشین سیستم مقاوم‌تر است.
اگرچه نتایج این تحقیق امیدبخش است، پژوهشگران تأکید دارند که آزمایش قدرت یادگیری ارگانوئیدها را اثبات نکرده است. در واقع، این مغزهای کوچک حروف بریل را به‌طور انسانی نمی‌خوانند؛ بلکه صرفاً در پاسخ به سیگنال‌های الکتریکی، الگوهای عصبی قابل شناسایی ایجاد می‌کنند که الگوریتم یادگیری ماشین آن‌ها را تحلیل می‌کند.
هنوز مشخص نیست که آیا این ارگانوئیدها می‌توانند بر اساس تجربیات خود اطلاعات جدید یاد بگیرند یا کارایی خود را بهبود ببخشند. محققان در مراحل بعدی قصد دارند تا واکنش ارگانوئیدها به داده‌های پیچیده‌تر، مانند بافت سطوح و انواع مختلف لمس را بررسی نمایند. آنان همچنین به‌دنبال آزمایش قابلیت یادگیری و سازگاری این ارگانوئیدها با ارائه‌ی بازخورد هستند.
هدف نهایی این پروژه‌ها، ایجاد رایانه‌های زیست ترکیبی است که با ترکیب سلول‌های زنده و اجزای الکترونیکی ساخته شوند. این نوع فناوری می‌تواند در آینده امکان پردازش داده‌ها را با مصرف انرژی کمتر فراهم کند، هرچند که این تکنولوژی هنوز در مراحل ابتدایی خود قرار دارد.
این تحقیق در نشریه Frontiers in Artificial Intelligence منتشر شده است.
