브리스톨 대학의 과학자들은 실험실에서 배양한 인간 뇌 세포 클러스터가 점자 알파벳을 테스트 신호로 사용하여 촉각 정보를 안정적으로 수신, 처리 및 전달할 수 있음을 보여주었습니다. 인공지능 프론티어(Frontiers in Artificial Intelligence) 저널에 게재된 이 연구는 살아있는 신경 조직과 전자 센서를 결합하는 바이오하이브리드 컴퓨터를 향한 핵심 단계로 평가받고 있습니다.
이 연구는 유기체 지능의 핵심에 있는 믿을 수 없을 만큼 간단한 질문을 다루고 있습니다. 부분적으로 형성된 작은 뇌 조직 조각이 수신한 정보를 충실하게 전달할 수 있습니까? 이를 알아내기 위해 제1저자인 박사과정 후보인 Tianyi Liu와 수석 저자인 Benjamin Ward-Cherrier 박사가 이끄는 브리스톨 기반 팀은 뇌 오가노이드를 실제 촉각 센서에 연결하고 반대편에서 의미 있는 정보를 복구할 수 있는지 물었습니다. 이 이야기에 대한 자세한 내용은 최신 AI 동향를 참조하세요.
Liu는 대학의 연구 결과 발표에서 "우리는 실제 촉각 센서에서 정보를 가져와 이를 살아있는 신경망이 수신할 수 있는 형태로 변환한 다음 오가노이드 반응에서 의미 있는 정보를 복구할 수 있습니다"라고 말했습니다. "이는 인공 센서를 생물학적 신경 시스템과 연결하는 실용적인 방법을 제공하며, 이는 보다 에너지 효율적인 컴퓨팅을 향한 매우 흥미로운 경로입니다."
셀 덩어리를 읽는 방법
실험의 중심에 있는 오가노이드는 소형 뇌와는 거리가 멀다. 각각은 직경이 1밀리미터도 채 되지 않으며, 인간의 뇌에서 발견되는 많은 구조가 부족하고, 인간의 전뇌를 모델로 한 지지 세포와 함께 대략 10,000개의 뉴런을 포함하고 있습니다. 그들은 조직의 전기적 반응을 모니터링하면서 조직을 살아있게 유지하는 시스템 내부의 다중 전극 배열에 위치하여 연구자들이 신경 활동을 자극하고 기록할 수 있도록 합니다.
테스트 프로토콜은 접촉부터 조직, 분류까지의 신호를 따랐습니다. 먼저 연구팀은 점자 알파벳 26자에 촉각 센서를 적용해 각 글자가 생성하는 데이터를 기록했다. 해당 데이터는 전기 자극 패턴으로 변환되어 오가노이드에 전달되었습니다. 그런 다음 연구자들은 결과적인 신경 활동이 어떤 문자가 제시되었는지를 밝힐 수 있는지, 즉 조직이 주어진 신호를 '읽었는지' 여부를 조사했습니다.
디코딩은 신경 활동 패턴을 정렬하고 이를 특정 문자와 일치시키는 간단한 기계 학습 알고리즘인 지원 벡터 머신에 속했습니다. 단일 유기체는 약 61%의 시간 동안 지속적으로 디코딩 가능한 신호를 생성했습니다. 세 가지 오가노이드의 출력을 결합하면 정확도가 약 83%까지 향상되었습니다.
세 개의 유기체가 하나를 이겼으나 그 이유는 아무도 모릅니다.
앙상블 결과는 가장 흥미로운 결과 중 하나입니다. 연구자들은 3개의 유기체가 하나보다 성능이 뛰어난 이유를 아직 완전히 설명할 수 없지만 그 대답은 자연적 변이에 있다고 의심합니다. 두 개의 유기체가 정확히 동일한 경로를 따라 발달하지 않습니다.
Liu는 "다른 유기체는 네트워크 연결, 발달 상태 및 진행 중인 활동이 약간 다를 수 있으므로 동일한 입력이 유사하지만 동일하지는 않은 반응을 생성할 수 있습니다"라고 말했습니다. "이러한 반응을 결합하면 단일 유기체에서는 얻을 수 없는 보완적인 정보를 얻을 수 있습니다. 동시에 모든 유기체가 다르게 행동하면 예측 가능하고 표준화된 시스템을 구축하기가 분명히 더 어려워집니다."
팀은 또한 조직의 출력을 강조했습니다. 과학자들이 점자 신호에 인공 잡음을 추가했을 때 오가노이드의 반응을 디코딩하는 것은 동일한 알고리즘을 사용하여 저하된 신호를 직접 디코딩하는 것보다 속이기 더 어렵다는 것이 입증되었습니다. 오가노이드에 의해 처리된 후, 데이터는 분류자가 허용된 원본 시끄러운 입력보다 더 강력하게 올바른 문자를 선택할 수 있을 만큼 충분한 구조를 유지했습니다.
Ward-Cherrier는 “유기체로 처리한 후에도 촉각 데이터에는 점자 문자를 매우 정확하게 분류할 수 있는 충분한 정보가 포함되어 있습니다.”라고 말했습니다. "여러 유기체의 출력을 결합하면 성능이 향상되는 것으로 나타났습니다."
생물학적 컴퓨팅이 연구자들을 유혹하는 이유
동기는 에너지입니다. 인간의 두뇌는 기존 하드웨어보다 훨씬 더 많은 전력을 요구하는 계산을 수행하는 동안 약 20와트를 사용합니다. AI 데이터 센터가 증가함에 따라 그 격차는 더욱 넓어졌습니다. 뉴로모픽 칩은 뇌의 효율성을 실리콘으로 포착하려고 노력하며, 오가노이드 지능은 동일한 내기의 보다 급진적인 버전을 나타냅니다. 즉, 뉴런을 모방하는 대신 실제 뉴런을 사용합니다.
잠재적인 응용 분야는 모든 와트가 중요하고 촉각 감지가 필수적인 로봇 공학 및 자율 시스템에 중점을 두고 있습니다. 신호 처리를 살아있는 뉴런에 오프로드하거나 언젠가 폐쇄 루프를 형성할 수 있는 센서는 실시간으로 인식하고 반응해야 하는 기계의 전력 예산을 재구성할 수 있습니다.
헤드라인이 끝나기 전에 주의하세요
브리스톨 팀은 실험이 보여주지 않는 것에 대해 명시적으로 밝혔습니다. 유기체는 학습하지 않았습니다. 그들은 자극에 반응했지만 연구자들은 조직의 장기적인 변화를 보여주지 못했습니다. 이 작업은 고정된 인코딩 체계와 상대적으로 간단한 신경 활동 측정을 사용하는 단일 촉각 작업이었습니다.
Liu는 "우리는 촉각 정보가 인코딩되고, 유기체를 통해 처리되고, 디코딩될 수 있음을 보여줬지만, 유기체의 학습이나 장기적인 변화는 입증하지 못했습니다"라고 말했습니다.
다음 단계는 점자를 넘어서는 것이라고 팀은 말합니다. 연구자들은 텍스처 및 가장자리와 같은 보다 풍부한 촉각 입력에 관심이 있으며, 궁극적으로는 오가노이드가 자체 출력의 결과로부터 피드백을 받는 폐쇄 루프 작업(살아 있는 조직이 작업을 통해 단순히 전송하는 것이 아니라 작업에 적응할 수 있는지 테스트하기 시작하는 구성)에 관심이 있습니다.
현재로서는 이 결과가 공학적 증거로 남아 있습니다. 물리적 세계의 신호는 살아있는 신경 조직에 들어가서 반대편에서 인식할 수 있게 돌아올 수 있습니다. 이는 바이오하이브리드 컴퓨터와는 거리가 멀지만, 신뢰할 수 있는 변환, 측정 가능한 정확도, 정직한 오차 막대와 같은 일종의 눈에 띄지 않는 이정표로서 초기 컴퓨팅 혁명의 토대가 되었습니다.
---
AI 최신 소식최신 AI 뉴스, 분석 및 혁신을 한 곳에서 확인하세요.
AI 뉴스 더 보기 →
