Ilmuwan ing Universitas Bristol wis nuduhake manawa klompok sel otak manungsa sing tuwuh ing laboratorium bisa kanthi dipercaya nampa, ngolah, lan ngirim informasi taktil - nggunakake aksara Braille minangka sinyal tes. Panaliten kasebut, sing diterbitake ing jurnal Frontiers in Artificial Intelligence, ditagih minangka langkah kunci menyang komputer biohibrid sing nikah karo jaringan saraf sing urip kanthi sensor elektronik.
Panliten kasebut ngrampungake pitakonan sing gampang banget ing jantung intelijen organoid: apa bisa jaringan otak sing cilik lan sebagian dibentuk kanthi setya ngirim informasi sing ditampa? Kanggo ngerteni, tim Bristol sing dipimpin dening penulis pertama Tianyi Liu, calon PhD, lan penulis senior Dr Benjamin Ward-Cherrier nyambungake organoid otak menyang sensor taktil sing nyata lan takon apa informasi sing migunani bisa dibalekake ing sisih liya. For more context on this story, see our ongoing breaking AI news.
"Kita bisa njupuk informasi saka sensor tactile nyata, nguripake menyang wangun sing jaringan syaraf urip bisa nampa, lan banjur mbalekake informasi migunani saka respon organoid," ngandika Liu ing woro-woro universitas saka temonan. "Iki menehi cara praktis kanggo nyambungake sensor buatan karo sistem saraf biologis, sing bisa dadi rute sing menarik banget kanggo komputasi sing luwih efisien energi."
Cara Nggawe Gumpalan Sel Diwaca
Organoid ing tengah eksperimen adoh saka otak miniatur. Saben kurang saka milimeter, kurang akeh struktur sing ditemokake ing otak manungsa, lan ngemot kira-kira 10.000 neuron bebarengan karo sel pendukung - dimodelake ing otak ngarep manungsa. Dheweke njagong ing susunan multielectrode ing sistem sing njaga jaringan urip nalika ngawasi tanggapan listrik, ngidini para peneliti bisa ngrangsang lan ngrekam aktivitas saraf.
Protokol tes ngetutake sinyal saka tutul menyang jaringan menyang klasifikasi. Kaping pisanan, tim kasebut nggunakake sensor taktil ing 26 huruf alfabet Braille, ngrekam data saben huruf sing diasilake. Data kasebut diowahi dadi pola stimulasi listrik, sing dikirim menyang organoid. Peneliti banjur nliti apa aktivitas saraf sing diasilake bisa mbukak huruf sing wis ditampilake - ing efek, apa jaringan wis 'maca' sinyal sing diwenehake.
Dekoding ambruk menyang mesin vektor dhukungan, algoritma pembelajaran mesin sing prasaja sing ngurutake pola aktivitas saraf lan cocog karo huruf tartamtu. Sawijining organoid kanthi konsisten ngasilake sinyal sing bisa didekode kira-kira 61% wektu. Nalika output saka telung organoid digabungake, akurasi mundhak nganti 83%.
Telung Organoids Ngalahake Siji - lan Ora Ana Sing Yakin Apa
Asil ensemble minangka salah sawijining temuan sing paling nyenengake. Para peneliti durung bisa nerangake kanthi lengkap kenapa telung organoid luwih unggul tinimbang siji, sanajan dheweke nyangka jawaban kasebut ana ing variasi alami: ora ana rong organoid sing berkembang ing dalan sing padha.
"Organoid sing beda-beda bisa uga duwe sambungan jaringan sing rada beda, negara perkembangan, lan aktivitas sing terus-terusan, saengga input sing padha bisa ngasilake respon sing padha nanging ora padha," ujare Liu. "Nggabungake respon kasebut bisa menehi informasi pelengkap sing ora bakal ditampa saka organoid siji. Ing wektu sing padha, yen saben organoid tumindak kanthi beda, mesthine nggawe luwih angel mbangun sistem sing bisa diprediksi lan standar."
Tim kasebut uga nandheske output jaringan. Nalika para ilmuwan nambahake swara gawean menyang sinyal Braille, dekoding saka respon organoids mbuktekaken luwih angel kanggo ngapusi saka dekoding sinyal degradasi langsung karo algoritma padha. Sawise diproses dening organoids, data tetep struktur cukup kanggo classifier kanggo milih huruf sing bener luwih kuat tinimbang input rame mentah sing diidini.
"Sawise diproses dening organoid, data tactile isih ngemot informasi sing cukup kanggo nggolongake huruf Braille kanthi akurasi sing apik," ujare Ward-Cherrier. "Nggabungake output saka sawetara organoid uga nuduhake peningkatan kinerja."
Apa Komputasi Biologi Godaan Peneliti
Motivasi yaiku energi. Otak manungsa mlaku kanthi kira-kira 20 watt nalika nindakake komputasi sing njaluk pesenan listrik luwih akeh saka hardware konvensional - jurang sing saya tambah akeh amarga pusat data AI tambah akeh. Kripik Neuromorphic nyoba njupuk efisiensi otak ing silikon, lan intelijen organoid nggambarake versi sing luwih radikal saka taruhan sing padha: nggunakake neuron sing nyata tinimbang niru.
Aplikasi potensial pusat ing robotika lan sistem otonom, ing ngendi saben watt penting lan sensing taktil penting. Sensor sing bisa mbebasake pangolahan sinyal menyang neuron sing urip - utawa sedina nggawe loop tertutup karo dheweke - bisa ngowahi anggaran tenaga mesin sing kudu dirasakake lan nanggepi ing wektu nyata.
Ati-ati Sadurunge Headline Mlayu
Tim Bristol jelas babagan apa sing ora ditampilake eksperimen kasebut. Organoid ora sinau; padha nanggapi stimulasi, nanging peneliti ora nduduhake owah-owahan long-term ing tissue. Tugas kasebut minangka tactile tunggal, nggunakake skema enkoding tetep lan ukuran aktivitas saraf sing relatif prasaja.
"Kita nuduhake manawa informasi taktil bisa dienkode, diproses liwat organoid, lan didekode, nanging ora nuduhake sinau utawa owah-owahan jangka panjang ing organoid," ujare Liu.
Langkah sabanjure, tim kasebut ujar, ngluwihi Braille. Para peneliti kasengsem ing input tactile sing luwih sugih kayata tekstur lan pinggir, lan pungkasane ing tugas loop tertutup ing ngendi organoid nampa umpan balik saka akibat saka output dhewe - konfigurasi sing bakal miwiti nyoba apa jaringan urip bisa adaptasi karo tugas tinimbang mung ngirim liwat.
Saiki, asil kasebut minangka bukti rekayasa: sinyal saka jagad fisik bisa mlebu jaringan saraf sing urip lan bisa dingerteni maneh ing sisih liya. Iku adoh banget saka komputer biohibrid, nanging iki minangka tonggak sejarah sing ora nyenengake - transduksi sing dipercaya, akurasi sing bisa diukur, bar kesalahan sing jujur - sing uga dibangun ing revolusi komputasi sadurungé.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
