Dans une étude publiée dans la revue Électronique naturelle, Des chercheurs des États-Unis d’Amérique ont développé une approche matérielle d’intelligence artificielle (IA) appelée « Brainoware » qui utilise le calcul adaptatif du réservoir des réseaux neuronaux organoïdes (ONN) du cerveau. Ils ont découvert que l’approche pouvait permettre d’obtenir une dynamique non linéaire, une atténuation des propriétés de la mémoire et un apprentissage non supervisé, démontrant ainsi son potentiel pratique dans des tâches telles que la prédiction d’équations non linéaires et la reconnaissance vocale.
Étude: Calcul du réservoir organoïde cérébral pour l’intelligence artificielle. Crédit d’image : Griffes de dragon/Shutterstock
Sommaire
Arrière-plan
Les puces informatiques en silicium pilotent principalement les réseaux de neurones artificiels (ANN) qui constituent la base de l’IA. Cependant, la formation des ANN sur ces puces présente des limites telles qu’une consommation d’énergie et de temps élevée, le goulot d’étranglement de Neumann (ségrégation physique des données du traitement des données) et un ralentissement de la loi de Moore (doublement plus lent des transistors dans un circuit intégré). Cela souligne la nécessité de concevoir de nouvelles approches matérielles d’IA.
Le cerveau humain, avec son réseau tridimensionnel complexe de cellules et de synapses, inspire le développement de matériel d’IA en raison de son efficacité énergétique, de sa neurogenèse et de sa plasticité neuronale qui permettent le traitement de données bruyantes à un coût de formation minimal. Alors que les puces neuromorphiques tentent d’imiter les fonctions cérébrales, il est nécessaire d’améliorer leurs capacités en termes de traitement de l’information, de gestion de l’incertitude de la vie réelle et d’utilisation de l’énergie.
Les organoïdes cérébraux sont des agrégats tridimensionnels développés in vitro utiliser des cellules souches pour imiter la structure et la fonction du cerveau. Les chercheurs de la présente étude ont développé un nouveau système matériel d’IA nommé « Brainoware » utilisant des organoïdes cérébraux, qui exploite le calcul du réservoir et les capacités d’apprentissage des réseaux neuronaux de l’organoïde.
À propos de l’étude
Brainoware a été intégré dans un cadre informatique de réservoir avec trois composants principaux : une couche d’entrée, une couche de réservoir (organoïde) et une couche de sortie. Le système a été construit en montant un organoïde cérébral fonctionnel, développé à l’aide de cellules souches pluripotentes humaines, sur un réseau multiélectrodes (MEA) haute densité. L’organoïde formait la couche réservoir et montrait la présence de divers types de cellules cérébrales, de structures cérébrales précoces et d’une activité électrique de réseau. L’organoïde recevait des signaux via la couche d’entrée, qui convertissait les entrées dépendant du temps en séquences spatio-temporelles de stimulation électrique. L’organoïde cérébral a agi comme un « réservoir vivant adaptatif » qui a cartographié ces signaux sur les ONN. Dans la couche de sortie, le MEA a enregistré les activités neuronales représentant l’état du réservoir (à l’aide de techniques telles que la régression linéaire ou logistique) et les a décodées pour fournir des lectures pour des applications telles que la classification, la reconnaissance et la prédiction.
Les propriétés physiques du réservoir de Brainoware ont été testées, notamment la dynamique non linéaire, le traitement des informations spatiales et l’évanouissement de la mémoire, en évaluant la réponse de l’ONN aux stimulations de durées d’impulsion et de tensions variables. Le système a ensuite été appliqué à des tâches du monde réel telles que la reconnaissance vocale et la prédiction d’équations chaotiques non linéaires.
Dans la tâche de reconnaissance vocale, Brainoware devait identifier les voyelles du locuteur dans un pool de locuteurs. Un total de 240 extraits audio de voyelles japonaises isolées prononcées par huit locuteurs masculins différents ont été utilisés pour entraîner le système, et les réponses évoquées ont été classées par régression logistique. Les changements de connectivité fonctionnelle dans l’organoïde avant et pendant l’entraînement ont été mesurés séparément. Dans la tâche suivante, Brainoware a été amené à prédire la carte de Hénon, un système dynamique non linéaire au comportement chaotique. Une carte de Hénon bidimensionnelle a été décomposée en une seule dimension et utilisée comme entrée dans Brainoware. L’activité évoquée a été enregistrée avant et pendant l’entraînement et comparée aux témoins.
Résultats et discussion
Brainoware a montré les propriétés d’un réservoir physique. La réponse non linéaire, le traitement spatial et la dynamique d’évanouissement des ONN pourraient être contrôlés en modifiant les paramètres de stimulation d’entrée. Des réponses plus fortes et une relaxation plus lente ont été observées avec des impulsions à haute tension et de longue durée. La dynamique de Brainoware s’est avérée conforme à celle des ANN et des memristors. Grâce à la formation, Brainoware a amélioré ses performances informatiques et présente des capacités d’apprentissage non supervisé grâce à son réservoir de vie adaptative.
Brainoware a amélioré sa précision lors de l’entraînement de 51 % à 78 % dans la tâche de reconnaissance vocale, ce qui suggère le déclenchement de capacités d’apprentissage non supervisées de l’organoïde via une stimulation électrique. Les résultats des tests ont indiqué que l’entraînement remodelait la connectivité fonctionnelle de l’organoïde, initiant ainsi un apprentissage non supervisé.
De plus, Brainoware a pu prédire avec succès la carte de Hénon et a surpassé d’autres méthodes, telles que la régression linéaire et l’ANN, avec une unité de mémoire longue à court terme. Brainoware ne pourrait pas fonctionner sans l’organoïde, comme l’indique le score de régression nul du système de contrôle sans organoïde. Il a été constaté que les performances s’amélioraient avec l’entraînement, comme l’indiquaient les scores de régression améliorés. Les résultats des tests ont montré que l’activité d’apprentissage de Brainoware dépendait de la plasticité neuronale.
Conclusion
Dans la présente étude, les chercheurs ont présenté Brainoware comme un matériel informatique réservoir qui exploite la puissance de calcul des organoïdes cérébraux et ont démontré son adaptabilité, sa plasticité et son potentiel pour relever les défis du matériel d’IA actuel. Bien qu’elle soit très prometteuse, l’approche Brainoware rencontre des défis en matière de génération et de maintenance d’organoïdes, de consommation d’énergie des équipements périphériques, d’utilisation de MEA plats et rigides et d’un manque d’outils de gestion de données efficaces. À l’avenir, des systèmes personnalisés, de faible consommation et inspirés du cerveau pourraient être développés avec des interfaces cerveau-machine avancées et des logiciels de gestion de données pour une applicabilité et une précision améliorées.
