ब्रिस्टल विद्यापीठातील शास्त्रज्ञांनी दाखवून दिले आहे की मानवी मेंदूच्या पेशींचे प्रयोगशाळेत वाढलेले क्लस्टर ब्रेल वर्णमाला त्यांच्या चाचणी सिग्नल म्हणून वापरून - स्पर्शिक माहिती विश्वसनीयरित्या प्राप्त करू शकतात, प्रक्रिया करू शकतात आणि पास करू शकतात. फ्रंटियर्स इन आर्टिफिशियल इंटेलिजन्स या जर्नलमध्ये प्रकाशित झालेल्या या अभ्यासाला इलेक्ट्रॉनिक सेन्सर्ससह जिवंत न्यूरल टिश्यूशी विवाह करणाऱ्या बायोहायब्रिड कॉम्प्युटरच्या दिशेने एक महत्त्वाचे पाऊल म्हणून बिल केले जात आहे.
संशोधन ऑर्गनॉइड बुद्धिमत्तेच्या केंद्रस्थानी एक भ्रामकपणे साधे प्रश्न संबोधित करते: मेंदूच्या ऊतींचा एक छोटा, अर्धवट तयार झालेला तुकडा त्याला मिळालेली माहिती विश्वासूपणे प्रसारित करू शकतो? हे शोधण्यासाठी, प्रथम लेखक Tianyi Liu, एक पीएचडी उमेदवार, आणि ज्येष्ठ लेखक डॉ बेंजामिन वॉर्ड-चेरियर यांच्या नेतृत्वाखालील ब्रिस्टल-आधारित टीमने मेंदूच्या ऑर्गनॉइड्सला वास्तविक स्पर्श सेन्सरशी जोडले आणि दुसऱ्या बाजूला अर्थपूर्ण माहिती पुनर्प्राप्त केली जाऊ शकते का ते विचारले. For more context on this story, see our ongoing AI trends.
"आम्ही वास्तविक स्पर्शिक सेन्सरकडून माहिती घेऊ शकतो, ते जिवंत न्यूरल नेटवर्क प्राप्त करू शकतो अशा स्वरूपात बदलू शकतो आणि नंतर ऑर्गनॉइड प्रतिसादातून अर्थपूर्ण माहिती पुनर्प्राप्त करू शकतो," लिऊ यांनी विद्यापीठाच्या निष्कर्षांच्या घोषणेमध्ये सांगितले. "त्यामुळे आम्हाला जैविक न्यूरल सिस्टीमसह कृत्रिम सेन्सर जोडण्याचा एक व्यावहारिक मार्ग मिळतो, जो अधिक ऊर्जा-कार्यक्षम संगणनाकडे एक अतिशय मनोरंजक संभाव्य मार्ग आहे."
पेशींचा ब्लॉब कसा बनवायचा ते वाचा
प्रयोगाच्या केंद्रस्थानी असलेले ऑर्गनॉइड्स सूक्ष्म मेंदूपासून दूर आहेत. प्रत्येक एक मिलिमीटरपेक्षा कमी आहे, मानवी मेंदूमध्ये आढळलेल्या अनेक संरचनांचा अभाव आहे आणि त्यात सहाय्यक पेशींसह अंदाजे 10,000 न्यूरॉन्स आहेत - मानवी अग्रमस्तिष्कांवर आधारित. ते एका सिस्टीममध्ये मल्टीइलेक्ट्रोड ॲरेवर बसतात जे ऊतकांना जिवंत ठेवते आणि त्याच्या विद्युतीय प्रतिक्रियांचे निरीक्षण करते, संशोधकांना मज्जासंस्थेची क्रिया उत्तेजित आणि रेकॉर्ड करण्यास अनुमती देते.
चाचणी प्रोटोकॉलने स्पर्शापासून ते ऊतकापर्यंत वर्गीकरणापर्यंत सिग्नलचे पालन केले. प्रथम, टीमने ब्रेल वर्णमालाच्या 26 अक्षरांवर स्पर्श सेन्सर लागू केला, प्रत्येक अक्षराचा डेटा रेकॉर्ड केला. तो डेटा इलेक्ट्रिकल स्टिम्युलेशन पॅटर्नमध्ये रूपांतरित केला गेला, जो ऑर्गनॉइड्सना वितरित केला गेला. त्यानंतर संशोधकांनी तपासले की परिणामी न्यूरल ॲक्टिव्हिटी कोणते अक्षर सादर केले आहे हे उघड करू शकते - प्रत्यक्षात, टिश्यूने दिलेला सिग्नल 'वाचला' होता का.
डिकोडिंग हे सपोर्ट वेक्टर मशीनवर पडले, एक साधा मशीन लर्निंग अल्गोरिदम ज्याने न्यूरल ॲक्टिव्हिटीचे नमुने क्रमवारी लावले आणि त्यांना विशिष्ट अक्षरांशी जुळवले. एका ऑर्गनॉइडने 61% वेळेस सातत्याने डीकोडेबल सिग्नल तयार केला. जेव्हा तीन ऑर्गनॉइड्सचे आउटपुट एकत्र केले गेले तेव्हा अचूकता सुमारे 83% पर्यंत वाढली.
तीन ऑर्गनॉइड्स एकाला हरवतात — आणि का कोणालाच खात्री नाही
एन्सेम्बल निकाल हा सर्वात मनोरंजक निष्कर्षांपैकी एक आहे. संशोधक अद्याप पूर्णपणे स्पष्ट करू शकत नाहीत की तीन ऑर्गनॉइड्स एकापेक्षा अधिक का करतात, जरी त्यांना शंका आहे की उत्तर नैसर्गिक भिन्नतेमध्ये आहे: कोणतेही दोन ऑर्गनॉइड्स एकाच मार्गावर विकसित होत नाहीत.
"वेगवेगळ्या ऑर्गनॉइड्समध्ये थोडेसे भिन्न नेटवर्क कनेक्शन, विकासात्मक स्थिती आणि चालू क्रियाकलाप असू शकतात, म्हणून समान इनपुट समान प्रतिसाद देऊ शकतात परंतु एकसारखे नसतात," लिऊ म्हणाले. "त्या प्रतिसादांना एकत्रित केल्याने आम्हाला पूरक माहिती मिळू शकते जी आम्हाला एकाच ऑर्गनॉइडमधून मिळणार नाही. त्याच वेळी, जर प्रत्येक ऑर्गनॉइड वेगळ्या पद्धतीने वागले तर, निश्चितपणे अंदाज लावता येण्याजोगे आणि प्रमाणित प्रणाली तयार करणे कठीण होते."
संघाने ऊतकांच्या उत्पादनावर देखील भर दिला. जेव्हा शास्त्रज्ञांनी ब्रेल सिग्नल्समध्ये कृत्रिम आवाज जोडला, तेव्हा ऑर्गनॉइड्सच्या प्रतिसादांचे डीकोडिंग त्याच अल्गोरिदमसह थेट डिकोडिंग सिग्नल डीकोड करण्यापेक्षा मूर्ख बनवणे कठीण होते. ऑर्गनॉइड्सद्वारे प्रक्रिया केल्यानंतर, डेटाने क्लासिफायरसाठी योग्य अक्षरे निवडण्यासाठी पुरेशी रचना राखून ठेवली आहे ज्याला अनुमती असलेल्या अपरिष्कृत गोंगाट इनपुटपेक्षा अधिक मजबूतपणे निवडले आहे.
"ऑर्गनोइड्सद्वारे प्रक्रिया केल्यानंतर, स्पर्शिक डेटामध्ये ब्रेल अक्षरे चांगल्या अचूकतेसह वर्गीकृत करण्यासाठी पुरेशी माहिती आहे," वॉर्ड-चेरियर म्हणाले. "अनेक ऑर्गनॉइड्सचे आउटपुट एकत्र केल्याने कार्यक्षमतेत सुधारणा दिसून आली."
जैविक संगणन संशोधकांना का मोहात पाडते
प्रेरणा ऊर्जा आहे. पारंपारिक हार्डवेअरकडून अधिक विजेच्या ऑर्डरची मागणी करणारी गणना करत असताना मानवी मेंदू अंदाजे 20 वॅट्सवर चालतो - एआय डेटा सेंटर्सच्या गुणाकारामुळे हे अंतर वाढले आहे. न्यूरोमॉर्फिक चिप्स सिलिकॉनमध्ये मेंदूची कार्यक्षमता कॅप्चर करण्याचा प्रयत्न करतात आणि ऑर्गनॉइड बुद्धिमत्ता त्याच पैजेची अधिक मूलगामी आवृत्ती दर्शवते: त्यांचे अनुकरण करण्याऐवजी वास्तविक न्यूरॉन्स वापरा.
रोबोटिक्स आणि स्वायत्त प्रणालींवर संभाव्य अनुप्रयोग केंद्र, जिथे प्रत्येक वॅट महत्त्वाचा आणि स्पर्श संवेदना आवश्यक आहे. एक सेन्सर जो जिवंत न्यूरॉन्सवर सिग्नल प्रोसेसिंग ऑफलोड करू शकतो — किंवा एक दिवस त्यांच्यासह एक बंद लूप तयार करू शकतो — वास्तविक वेळेत जाणणे आणि प्रतिक्रिया देणे आवश्यक असलेल्या मशीनच्या पॉवर बजेटला आकार देऊ शकतो.
हेडलाईन्स पळून जाण्यापूर्वी खबरदारी
ब्रिस्टल टीम प्रयोगात काय दाखवत नाही याबद्दल स्पष्ट आहे. ऑर्गनॉइड्स शिकत नव्हते; त्यांनी उत्तेजनास प्रतिसाद दिला, परंतु संशोधकांनी ऊतकांमध्ये दीर्घकालीन बदल दर्शविला नाही. निश्चित एन्कोडिंग योजना आणि तंत्रिका क्रियाकलापांचे तुलनेने सोपे माप वापरून हे कार्य एकल स्पर्शिक होते.
"आम्ही दर्शविले की स्पर्शिक माहिती एन्कोड केली जाऊ शकते, ऑर्गनॉइड्सद्वारे प्रक्रिया केली जाऊ शकते आणि डीकोड केली जाऊ शकते, परंतु आम्ही ऑर्गनॉइड्समध्ये शिक्षण किंवा दीर्घकालीन बदल प्रदर्शित केले नाहीत," लिऊ म्हणाले.
पुढील पायऱ्या, टीम म्हणते, ब्रेलच्या पलीकडे पोहोचा. संशोधकांना पोत आणि कडा यांसारख्या समृद्ध स्पर्शासंबंधी इनपुटमध्ये आणि अखेरीस क्लोज-लूप टास्कमध्ये स्वारस्य आहे जेथे ऑर्गनॉइडला त्याच्या स्वतःच्या आउटपुटच्या परिणामांवरून अभिप्राय प्राप्त होतो - हे कॉन्फिगरेशन जे सजीव ऊती केवळ त्याद्वारे प्रसारित करण्याऐवजी कार्याशी जुळवून घेऊ शकतात की नाही हे तपासण्यास सुरवात करेल.
आत्तासाठी, परिणाम अभियांत्रिकी पुरावा म्हणून उभा आहे: भौतिक जगातून येणारे सिग्नल जिवंत तंत्रिका ऊतकांमध्ये प्रवेश करू शकतात आणि दुसऱ्या बाजूने ओळखण्यायोग्य परत येऊ शकतात. बायोहायब्रीड कॉम्प्युटरपासून ते खूप लांब आहे, परंतु हा एक प्रकारचा ग्लॅमरस मैलाचा दगड आहे — विश्वासार्ह ट्रान्सडक्शन, मोजता येण्याजोगा अचूकता, प्रामाणिक एरर बार — ज्यावर पूर्वीच्या संगणकीय क्रांती देखील तयार केल्या गेल्या होत्या.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
