In vitro biologische neurale netwerken

Thu Oct 10 2024

10 10

In vitro biologische neurale netwerken

10/03/2023

Door Ad Spijkers

Chinese onderzoekers hebben de gemeenschappelijke architectuur van op biologische neurale netwerken gebaseerde neurorobotsystemen samengevat.


     

Wetenschappers van het Beijing Institute of Technology hebben recente inspanningen en toekomstig potentieel samengevat in het gebruik van in vitro (buiten de normale biologische context) biologische neurale netwerken (BNN's) voor de realisatie van biologische intelligentie, met een focus op die met betrekking tot robotintelligentie.

De studie geeft een overzicht van

  1. de onderbouwing van intelligentie gepresenteerd in in vitro BNN's, zoals geheugen en leren;
  2. hoe deze BNN's kunnen worden belichaamd met robots door middel van bidirectionele verbinding, waardoor zogenaamde op BNN gebaseerde neuro-robotsystemen worden gevormd
  3. voorlopig intelligent gedrag bereikt door deze neuro-robotsystemen
  4. huidige trends en toekomstige uitdagingen in het onderzoeksgebied van op BNN gebaseerde neurorobotsystemen.

In vitro netwerken

Het menselijk brein is een complex biologisch neuraal netwerk dat bestaat uit miljarden neuronen, waaruit ons bewustzijn en onze intelligentie voortkomen. Het bestuderen van de hersenen als geheel is echter buitengewoon uitdagend gezien de ingewikkelde aard ervan. Door een deel van de neuronen uit de hersenen in een petrischaal te kweken, kunnen eenvoudigere BNN's, zoals mini-hersenen, worden gevormd, waardoor observatie en onderzoek van het netwerk gemakkelijker wordt. Deze mini-hersenen kunnen waardevolle inzichten verschaffen in de raadselachtige oorsprong van bewustzijn en intelligentie.

Minihersenen zijn niet alleen structureel vergelijkbaar met menselijke hersenen, maar ze kunnen ook op een vergelijkbare manier informatie leren en onthouden. In het bijzonder delen deze in vitro BNN's dezelfde basisstructuur als in vivo BNN's, waar neuronen zijn verbonden via synapsen. Ook vertonen ze kortetermijngeheugen door vervaging en verborgen geheugenprocessen. Verder kunnen deze mini-hersenen onder toezicht leren en getraind worden om te reageren op specifieke prikkelsignalen.

Onlangs hebben onderzoekers aangetoond dat in vitro BNN's zelfs leertaken zonder toezicht kunnen uitvoeren, zoals het scheiden van gemengde signalen. Dit vermogen heeft mogelijk iets te maken met het principe van vrije energie. Deze biologische neurale netwerken hebben de neiging hun onzekerheid over de buitenwereld te minimaliseren.

Mogelijkheden

De mogelijkheden van in vitro BNN's zijn intrigerend. Maar het hebben van zo’n 'minibrein' is niet genoeg voor de opkomst van bewustzijn en intelligentie. Ons brein vertrouwt op ons lichaam om de buitenwereld waar te nemen, te begrijpen en aan te passen. Op dezelfde manier hebben de minibreintjes een lichaam nodig om te communiceren met hun omgeving. Een robot is hiervoor een geschikte kandidaat, wat leidt tot een snelgroeiend interdisciplinair veld op het snijvlak van neurowetenschappen en robotica: op BNN gebaseerde neuro-robotsystemen.

Een stabiele bidirectionele verbinding is een voorwaarde voor deze systemen. In de studie vatten de onderzoekers de reguliere middelen samen voor het construeren van een dergelijke bidirectionele verbinding. Deze kan grofweg in twee categorieën worden ingedeeld op basis van de richting van de verbinding: van robots tot BNN's en van BNN's tot robots.

De eerste omvat het verzenden van sensorsignalen van de robot naar de netwerken met behulp van elektrische, optische en chemische stimulatiemethoden. De tweede registreert de neurale activiteiten van de biologische neurale netwerken en decodeert deze activiteiten in commando's om de robot te besturen. Dit gebeurt met behulp van extracellulaire, calcium- en intracellulaire opnametechnieken.

Gedrag

Belichaamd door robots vertonen in vitro BNN's een breed scala aan intelligent gedrag. Ze kunnen leren met en zonder toezicht, memoriseren, mobiele objecten volgen, actief obstakels vermijden en zelfs games zoals Pong leren spelen.

Het intelligente gedrag van deze op BNN gebaseerde neurorobotsystemen kan worden onderverdeeld in twee categorieën op basis van hun afhankelijkheid van computercapaciteit of netwerkplasticiteit. Bij het berekenen van capaciteitsafhankelijk gedrag is leren niet nodig. Het netwerk wordt beschouwd als een informatieverwerker die specifieke neurale activiteiten genereert als reactie op prikkels. Voor de laatste is leren echter een cruciaal proces, aangezien de BNN zich aanpast aan prikkels. Deze veranderingen zijn een integraal onderdeel van het gedrag of de taken die door de robot worden uitgevoerd.

Uitdagingen

Om lezers een historisch overzicht te geven van op BNN gebaseerde neuro-robotsystemen, zijn verschillende onderzoeken geselecteerd en chronologisch gerangschikt. De auteurs van het onderzoek bespraken ook de huidige trends en de belangrijkste uitdagingen in het veld. Volgens hen willen vier uitdagingen worden aangepakt en worden ook intensief onderzocht. Het fabriceren van BNN's in 3D, waardoor in vitro BNN's dicht bij hun in vivo tegenhangers komen, is de meest urgente daarvan.

Misschien wel het meest uitdagende aspect is, hoe in een robot belichaamde biologische neurale netwerken te trainen. De onderzoekers merkten op dat de netwerken alleen uit neuronen bestaan en de deelname van verschillende neuromodulatoren missen. Dit maakt het moeilijk om verschillende trainingsmethoden voor dieren naar BNN's te transplanteren. Bovendien hebben de netwerken hun eigen beperkingen. Een aap kan worden getraind om op een fiets te rijden, maar het is veel uitdagender om taken uit te voeren waarvoor denkprocessen op een hoger niveau nodig zijn, zoals het spelen van Go.

Het mysterie van hoe bewustzijn en intelligentie voortkomen uit het netwerk van cellen in onze hersenen, ontgaat neurowetenschappers nog steeds. Met het belichamen van in vitro BNN's met robots kunnen onderzoekers echter intelligenter gedrag in hen waarnemen en mensen dichter bij de waarheid achter het mysterie brengen.

De wetenschappelijke publicatie vindt u hier.

Ill.: Zhiqiang Yu, Beijing Institute of Technology