برسٹل یونیورسٹی کے سائنسدانوں نے یہ ظاہر کیا ہے کہ انسانی دماغ کے خلیات کے لیب سے تیار کردہ کلسٹر قابل اعتماد طریقے سے حاصل کر سکتے ہیں، عمل کر سکتے ہیں اور سپرش کی معلومات کو منتقل کر سکتے ہیں - بریل حروف تہجی کو ان کے ٹیسٹ سگنل کے طور پر استعمال کرتے ہوئے جرنل فرنٹیئرز ان آرٹیفیشل انٹیلی جنس میں شائع ہونے والی اس تحقیق کو بائیو ہائبرڈ کمپیوٹرز کی جانب ایک اہم قدم قرار دیا جا رہا ہے جو الیکٹرانک سینسرز کے ساتھ زندہ عصبی بافتوں سے شادی کرتے ہیں۔

تحقیق آرگنائڈ انٹیلی جنس کے دل میں ایک دھوکہ دہی سے آسان سوال کو حل کرتی ہے: کیا دماغی بافتوں کا ایک چھوٹا، جزوی طور پر تشکیل شدہ ٹکڑا اس سے موصول ہونے والی معلومات کو ایمانداری سے ریلے کر سکتا ہے؟ یہ جاننے کے لیے، برسٹل میں مقیم ایک ٹیم کی سربراہی پہلے مصنف تیانی لیو، پی ایچ ڈی کے امیدوار، اور سینئر مصنف ڈاکٹر بنجمن وارڈ چیریئر نے دماغی آرگنائڈز کو ایک حقیقی ٹیکٹائل سینسر سے جوڑا اور پوچھا کہ کیا دوسری طرف سے بامعنی معلومات حاصل کی جا سکتی ہیں۔ For more context on this story, see our ongoing artificial intelligence updates.

لیو نے یونیورسٹی کے نتائج کے اعلان میں کہا، "ہم ایک حقیقی ٹیکٹائل سینسر سے معلومات لے سکتے ہیں، اسے ایک ایسی شکل میں تبدیل کر سکتے ہیں جو ایک زندہ نیورل نیٹ ورک حاصل کر سکتا ہے، اور پھر آرگنائڈ ردعمل سے بامعنی معلومات حاصل کر سکتے ہیں،" لیو نے یونیورسٹی کے نتائج کے اعلان میں کہا۔ "یہ ہمیں مصنوعی سینسرز کو حیاتیاتی عصبی نظام کے ساتھ مربوط کرنے کا ایک عملی طریقہ فراہم کرتا ہے، جو زیادہ توانائی سے موثر کمپیوٹنگ کی طرف ایک بہت ہی دلچسپ ممکنہ راستہ ہے۔"

سیلز کا بلاب بنانے کا طریقہ پڑھیں

تجربے کے مرکز میں موجود آرگنائڈز چھوٹے دماغوں سے بہت دور ہیں۔ ہر ایک ایک ملی میٹر سے بھی کم ہے، انسانی دماغ میں پائے جانے والے بہت سے ڈھانچے کا فقدان ہے، اور تقریباً 10,000 نیورونز کے ساتھ معاون خلیات پر مشتمل ہے — جو انسانی پیشانی پر بنائے گئے ہیں۔ وہ ایک نظام کے اندر ملٹی الیکٹروڈ صفوں پر بیٹھتے ہیں جو ٹشو کو زندہ رکھتا ہے جبکہ اس کے برقی ردعمل کی نگرانی کرتا ہے، محققین کو اعصابی سرگرمی کو متحرک اور ریکارڈ کرنے کی اجازت دیتا ہے۔

ٹیسٹ پروٹوکول نے ٹچ سے ٹشو تک درجہ بندی تک سگنل کی پیروی کی۔ سب سے پہلے، ٹیم نے بریل حروف تہجی کے 26 حروف پر ایک ٹیکٹائل سینسر کا اطلاق کیا، جس میں ہر حروف کو تیار کیا گیا ڈیٹا ریکارڈ کیا گیا۔ اس ڈیٹا کو برقی محرک پیٹرن میں تبدیل کیا گیا تھا، جو آرگنائڈز کو پہنچایا گیا تھا۔ محققین نے پھر اس بات کا جائزہ لیا کہ آیا نتیجے میں آنے والی عصبی سرگرمی یہ ظاہر کر سکتی ہے کہ کون سا خط پیش کیا گیا تھا - درحقیقت، کیا ٹشو نے اس سگنل کو 'پڑھا' تھا جو اسے دیا گیا تھا۔

ضابطہ کشائی ایک سپورٹ ویکٹر مشین پر پڑی، ایک سادہ مشین لرننگ الگورتھم جس نے اعصابی سرگرمیوں کے نمونوں کو ترتیب دیا اور انہیں مخصوص حروف سے ملایا۔ ایک واحد آرگنائڈ نے مستقل طور پر تقریباً 61 فیصد وقت تک ڈیکوڈ ایبل سگنل تیار کیا۔ جب تین آرگنائڈز کے آؤٹ پٹس کو ملایا گیا تو درستگی تقریباً 83 فیصد تک بڑھ گئی۔

تین آرگنائڈز نے ایک کو شکست دی - اور کسی کو یقین نہیں ہے کہ کیوں

جوڑ کا نتیجہ سب سے زیادہ دلچسپ نتائج میں سے ہے۔ محققین ابھی تک پوری طرح سے وضاحت نہیں کر سکتے ہیں کہ تین آرگنائڈز کیوں ایک سے بہتر کارکردگی کا مظاہرہ کرتے ہیں، حالانکہ انہیں شبہ ہے کہ اس کا جواب قدرتی تغیر میں ہے: کوئی بھی دو آرگنائڈز بالکل ایک ہی راستے پر تیار نہیں ہوتے ہیں۔

لیو نے کہا، "مختلف آرگنائڈز میں تھوڑا مختلف نیٹ ورک کنکشن، ترقیاتی ریاستیں، اور جاری سرگرمی ہوسکتی ہے، لہذا ایک ہی ان پٹ ایک جیسے لیکن ایک جیسے ردعمل پیدا کر سکتا ہے،" لیو نے کہا. "ان جوابات کو یکجا کرنے سے ہمیں تکمیلی معلومات مل سکتی ہیں جو ہم کسی ایک آرگنائیڈ سے حاصل نہیں کر پائیں گے۔ ایک ہی وقت میں، اگر ہر آرگنائڈ مختلف طریقے سے برتاؤ کرتا ہے، تو ظاہر ہے کہ یہ ایک قابل قیاس اور معیاری نظام بنانا مشکل بنا دیتا ہے۔"

ٹیم نے ٹشو کی پیداوار پر بھی زور دیا۔ جب سائنس دانوں نے بریل سگنلز میں مصنوعی شور شامل کیا، تو آرگنائڈز کے ردعمل کو ڈی کوڈ کرنا اسی الگورتھم کے ساتھ انحطاط شدہ سگنلز کو براہ راست ڈی کوڈ کرنے سے زیادہ مشکل ثابت ہوا۔ آرگنائڈز کے ذریعہ پروسیسنگ کے بعد، ڈیٹا نے درجہ بندی کرنے والے کے لیے کافی ڈھانچہ برقرار رکھا کہ وہ درست خط کو زیادہ مضبوطی سے منتخب کر سکے جس کی اجازت خام شور والے ان پٹ سے زیادہ ہے۔

وارڈ چیرئیر نے کہا، "آرگنائڈز کے ذریعے پروسیسنگ کے بعد، ٹچائل ڈیٹا میں بریل حروف کو اچھی درستگی کے ساتھ درجہ بندی کرنے کے لیے اب بھی کافی معلومات موجود ہیں۔" "متعدد organoids کے نتائج کو یکجا کرنے سے بھی کارکردگی میں بہتری دکھائی دیتی ہے۔"

حیاتیاتی کمپیوٹنگ محققین کو کیوں آزماتی ہے۔

محرک توانائی ہے۔ انسانی دماغ تقریباً 20 واٹ پر چلتا ہے جب کہ وہ کمپیوٹنگ انجام دیتا ہے جو روایتی ہارڈ ویئر سے زیادہ بجلی کے آرڈرز کا مطالبہ کرتا ہے - ایک خلا جو کہ AI ڈیٹا سینٹرز کے بڑھنے کے ساتھ وسیع ہو گیا ہے۔ نیورومورفک چپس سلیکون میں دماغ کی کارکردگی کو پکڑنے کی کوشش کرتے ہیں، اور آرگنائڈ انٹیلی جنس اسی شرط کے زیادہ ریڈیکل ورژن کی نمائندگی کرتی ہے: ان کی نقل کرنے کے بجائے حقیقی نیوران استعمال کریں۔

روبوٹکس اور خود مختار نظاموں پر ممکنہ ایپلی کیشنز کا مرکز، جہاں ہر واٹ اہمیت رکھتا ہے اور ٹیکٹائل سینسنگ ضروری ہے۔ ایک سینسر جو زندہ نیورانز میں سگنل پروسیسنگ کو آف لوڈ کر سکتا ہے — یا ایک دن ان کے ساتھ بند لوپ بنا سکتا ہے — مشینوں کے پاور بجٹ کو نئی شکل دے سکتا ہے جن کو حقیقی وقت میں محسوس کرنے اور رد عمل ظاہر کرنے کی ضرورت ہے۔

شہ سرخیوں کے بھاگنے سے پہلے احتیاط کریں۔

برسٹل ٹیم اس بارے میں واضح ہے کہ تجربہ کیا نہیں دکھاتا ہے۔ آرگنائڈز سیکھ نہیں رہے تھے۔ انہوں نے محرک کا جواب دیا، لیکن محققین نے ٹشو میں طویل مدتی تبدیلی کا مظاہرہ نہیں کیا۔ یہ کام ایک واحد سپرش تھا، ایک مقررہ انکوڈنگ اسکیم اور اعصابی سرگرمی کا نسبتاً آسان پیمانہ استعمال کرتے ہوئے۔

لیو نے کہا، "ہم نے ظاہر کیا کہ ٹچائل معلومات کو انکوڈ کیا جا سکتا ہے، آرگنائڈز کے ذریعے پروسیس کیا جا سکتا ہے، اور ڈی کوڈ کیا جا سکتا ہے، لیکن ہم نے آرگنائڈز میں سیکھنے یا طویل مدتی تبدیلیوں کا مظاہرہ نہیں کیا۔"

ٹیم کا کہنا ہے کہ اگلے مراحل بریل سے آگے بڑھتے ہیں۔ محققین کو زیادہ تر ٹچائل آدانوں جیسے کہ بناوٹ اور کناروں میں دلچسپی ہے، اور آخر کار بند لوپ کے کاموں میں جہاں ایک آرگنائڈ اپنی ہی پیداوار کے نتائج سے رائے حاصل کرتا ہے - وہ ترتیب جو یہ جانچنا شروع کر دے گی کہ آیا زندہ بافتیں کسی کام کے مطابق ڈھال سکتی ہیں یا نہیں بلکہ اس کے ذریعے منتقل ہو سکتی ہیں۔

ابھی کے لیے، نتیجہ ایک انجینئرنگ ثبوت کے طور پر کھڑا ہے: طبعی دنیا سے سگنلز زندہ اعصابی بافتوں میں داخل ہو سکتے ہیں اور دوسری طرف سے پہچانے جانے کے قابل واپس آ سکتے ہیں۔ یہ ایک بائیو ہائبرڈ کمپیوٹر سے بہت لمبا سفر ہے، لیکن یہ اس قسم کا غیر مسحور کن سنگ میل ہے — قابل اعتماد نقل و حمل، قابل پیمائش درستگی، ایماندارانہ ایرر بارز — جس پر پہلے کمپیوٹنگ انقلابات بھی بنائے گئے تھے۔

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →