مغزهای کوچکتر از یک میلی‌متر موفق به شناسایی حروف بریل شدند
محققان با بهره‌گیری از سلول‌های زنده مغز انسان، توانسته‌اند سیستمی را ایجاد کنند که می‌تواند حروف خط بریل را با دقتی برابر با ۸۳ درصد شناسایی کند. این پیشرفت می‌تواند نقطه‌ی عطفی در مسیر توسعه رایانه‌های زیستی باشد که به جای اتکا به تراشه‌های سیلیکونی، از شبکه‌های عصبی زنده برای پردازش داده‌ها استفاده می‌کنند.
مغز انسان به دلیل مصرف انرژی نسبتاً کم، قابلیت‌های منحصر به‌فردی در پردازش اطلاعات دارد. همین خصوصیت پژوهشگران را به فکر استفاده از سلول‌های مغزی در طراحی رایانه‌های جدید سوق داده است. در سال‌های اخیر، شاهد این بوده‌ایم که گروه‌هایی از نورون‌های زنده توانسته‌اند در بازی‌های ویدیویی معتبری نظیر پونگ و دوم ایفای نقش کنند.
در این راستا، محققان دانشگاه بریستول واقع در بریتانیا تصمیم به آزمایش این مفهوم با استفاده از ارگانوئیدهای مغزی گرفته‌اند. این ارگانوئیدها ساختارهای سه‌بعدی مینیاتوری از سلول‌های زنده هستند که در آزمایشگاه‌های علمی پرورش داده می‌شوند و برخی ویژگی‌های مغز واقعی را شبیه‌سازی می‌کنند. شایان ذکر است که این ساختارها مغز کاملی نیستند و شواهدی دال بر خودآگاهی آن‌ها وجود ندارد.
بر اساس گزارش آی‌اف‌ال‌ساینس، در این آزمایش تازه، دانشمندان از ارگانوئیدهایی با قطر کمتر از یک میلی‌متر استفاده کردند که هر کدام شامل حدود ۱۰ هزار نورون و تعدادی سلول پشتیبان بودند. برای مقایسه، مغز یک انسان بزرگسال تقریباً شامل ۸۶ میلیارد نورون است.
محققان این مغزهای کوچک را روی مجموعه‌ای از الکترودها قرار دادند تا بتوانند سیگنال‌های الکتریکی به آن‌ها ارسال کنند و فعالیت نورون‌ها را اندازه‌گیری نمایند.
در ابتدا، دانشمندان الگوهای لمسی مربوط به ۲۶ حرف الفبای بریل را با حسگرها جمع‌آوری کرده و آن‌ها را به سیگنال‌های الکتریکی تبدیل کردند. سپس این سیگنال‌ها به ارگانوئیدهای مغزی ارسال و واکنش نورون‌ها مورد بررسی قرار گرفت. در مرحله بعد، الگوریتمی مبتنی بر یادگیری ماشین تلاش کرد تا با تحلیل الگوهای فعالیت عصبی، حروف بریل ارائه شده به این ارگانوئیدها را شناسایی کند.
با کمک یک ارگانوئید، دقت تشخیص حروف به حدود ۶۱ درصد رسید، اما با ترکیب پاسخ‌های سه ارگانوئید، این دقت به ۸۳ درصد افزایش یافت.
تیانی لیو، نویسنده اصلی این پژوهش، بیان می‌کند که شبکه‌های عصبی ارگانوئیدهای مختلف به این دلیل که کاملاً یکسان نیستند، ممکن است به ورودی‌های مشابه پاسخ‌های متنوعی بدهند و ترکیب پاسخ‌ها به ارائه اطلاعات جامع‌تری منجر می‌شود.
الگوریتم یادگیری ماشین با تجزیه و تحلیل پاسخ‌های سه ارگانوئید مغزی موفق به شناسایی حروف بریل با دقت ۸۳ درصد گردید.
این تیم تحقیقاتی همچنین با افزودن نویز به سیگنال‌ها، پایداری سیستم را در برابر اطلاعات مختل شده مورد آزمایش قرار داد. نتایج نشان داد که فعالیت نورون‌های زنده در برابر نویز، از کارکرد بخش یادگیری ماشین سامانه ابزار بیشتری برای مقاومت نشان می‌دهد.
با وجود این دستاوردهای امیدوارکننده، محققان بر این نکته تاکید می‌کنند که آزمایش قادر به اثبات توانایی یادگیری ارگانوئیدها نبوده است. در واقع، این مغزهای مینیاتوری حروف بریل را همچون انسان‌ها نمی‌خوانند؛ بلکه صرفاً به تحریکات الکتریکی واکنش نشان داده و الگوهای قابل شناسایی از فعالیت‌های عصبی تولید می‌کنند؛ که سپس الگوریتم یادگیری ماشین این الگوها را تحلیل می‌کند.
هنوز مشخص نیست که آیا این نوع ساختارها می‌توانند بر اساس تجربه، اطلاعات جدیدی بیاموزند یا توانایی خود را بهبود بخشند یا خیر. پژوهشگران در مراحل آینده قصد دارند تا واکنش این ارگانوئیدها را به داده‌های پیچیده‌تری، مانند بافت سطح و اشکال مختلف لمس، مورد بررسی قرار دهند. آن‌ها همچنین به دنبال ارزیابی امکان یادگیری و تطبیق ارگانوئیدها از طریق ارائه بازخورد به آن‌ها هستند.
هدف نهایی این تحقیقات، پیشبرد توسعه رایانه‌های زیست‌ترکیبی است که با استفاده از ترکیب سلول‌های زنده و اجزای الکترونیکی ساخته شوند. این سیستم‌ها ممکن است در آینده امکان پردازش اطلاعات را با صرف انرژی کمتر فراهم آورند، هرچند که این فناوری در حال حاضر در مراحل ابتدایی خود قرار دارد.
پژوهش مذکور در نشریه Frontiers in Artificial Intelligence منتشر شده است.
