(https://external-content.duckduckgo.com/iu/?u=https%3A%2F%2Fa-z-animals.com%2Fmedia%2F2022%2F09%2Frats.jpg&f=1&nofb=1&ipt=a56417f0c1789f653a13e28df25a20747ac79631cc458e2007d5790e2d975ce0)
Un equipo de la Universidad de Tohoku y de la Future University Hakodate, en Japón, entrenó neuronas corticales de rata cultivadas para generar de forma autónoma señales temporales complejas, utilizando un marco de aprendizaje automático en tiempo real; esto según un estudio publicado el 12 de marzo en la revista *Proceedings of the National Academy of Sciences*. Los investigadores integraron las neuronas vivas con matrices de microelectrodos de alta densidad y dispositivos microfluídicos, creando un sistema de computación de reservorio de circuito cerrado que aprendió a producir formas de onda periódicas y caóticas sin ninguna entrada externa.
El sistema registró trenes de impulsos de las neuronas a través de una matriz de 26.400 electrodos con un paso de 17,5 micrómetros, los filtró para convertirlos en señales continuas y decodificó una salida mediante una capa de lectura lineal. Dicha salida se reintrodujo posteriormente en las neuronas en forma de estimulación eléctrica, completando así un bucle de retroalimentación que se repetía aproximadamente cada 333 milisegundos. Los pesos de lectura se optimizaron en tiempo real utilizando un algoritmo denominado aprendizaje FORCE (First-Order Reduced and Controlled Error), el cual ajustaba continuamente el decodificador para minimizar el error entre la salida de la red y una forma de onda objetivo.
Según los investigadores, la tecnología facilitadora consistió en el uso de películas microfluídicas de PDMS para restringir la forma en que se conectaban las neuronas. Sin restricciones físicas, las neuronas cultivadas forman redes densas y altamente sincronizadas que se activan al unísono; estas redes homogéneas no lograron aprender ninguna de las señales objetivo.
En su lugar, los investigadores confinaron los cuerpos celulares neuronales en 128 pocillos cuadrados —cada uno de aproximadamente 100 × 100 micrómetros—, albergando cada pocillo un promedio de 14,6 neuronas. Los pocillos estaban interconectados mediante microcanales en dos configuraciones: un diseño reticular con conexiones uniformes entre vecinos más cercanos, y un diseño jerárquico con conexiones multiescala más dispersas.
Ambas configuraciones estructuradas redujeron drásticamente las correlaciones neuronales por pares en comparación con los cultivos no estructurados (0,11 y 0,12 frente a 0,45, respectivamente), aumentando así la dimensionalidad de la dinámica de la red. Las redes reticulares superaron sistemáticamente a las jerárquicas en todas las formas de onda objetivo; esto se debió, probablemente, a que sus conexiones intermodulares más densas generaron tasas de disparo más elevadas, lo que proporcionó al decodificador lineal una mayor cantidad de señal con la que trabajar.
Las pruebas revelaron que las neuronas cerebrales de las ratas son «novedosos recursos computacionales»
Mediante el uso de redes reticulares y jerárquicas, el sistema aprendió a generar ondas sinusoidales con periodos de 4, 10 y 30 segundos, así como ondas triangulares y cuadradas; además, la misma preparación de cultivo pudo ser reentrenada para oscilar a diferentes frecuencias. Los investigadores también demostraron que el sistema podía aproximarse a un atractor de Lorenz —una trayectoria caótica tridimensional—, alcanzando correlaciones por pares superiores a 0,8 entre las señales predichas y las señales objetivo en todas las dimensiones durante la fase de aprendizaje.
«Este trabajo demuestra que las redes neuronales vivas no solo constituyen sistemas biológicamente significativos, sino que también pueden servir como novedosos recursos computacionales», afirmó Hideaki Yamamoto, profesor del Instituto de Investigación de Comunicación Eléctrica de la Universidad de Tohoku, en un comunicado de prensa publicado en el sitio web de la institución.
Fuente:
Tom´s Hardware
https://www.tomshardware.com/tech-industry/researchers-train-living-rat-neurons-to-perform-real-time-ml-computations