به گزارش خبرگزاری علم و فناوری آنا به نقل از ساینس آلرت، هیچ کامپیوتر ی حتی از راه دور به اندازه مغز انسان قدرتمند و پیچیده نیست. توده‌های بافتی که در جمجمه ما محصور شده‌اند می‌توانند اطلاعات را با مقادیر و سرعت‌هایی پردازش کنند که فناوری محاسباتی به سختی می‌تواند آن‌ها را لمس کند.
کلید موفقیت مغز، کارایی نورون‌ها در خدمت به عنوان یک پردازنده و دستگاه حافظه در مقابل واحد‌های جداشده فیزیکی در اکثر دستگاه‌های محاسباتی مدرن است.
تلاش‌های زیادی برای شبیه‌تر کردن محاسبات به مغز انجام شده است؛ اما یک تلاش جدید با ادغام بافت مغز واقعی و انسانی با الکترونیک، همه چیز را یک گام فراتر می‌برد.
این فناوری که «برینور» (Brainoware) نام دارد به رهبری مهندس «فنگ گو» از دانشگاه بلومینگتون ایندیانا وظایفی مانند تشخیص گفتار و پیش بینی معادلات غیرخطی را انجام می‌دهد. این روش اندکی از یک کامپیوتر سخت افزاری که بر پایه هوش مصنوعی کار می‌کند، دقیق‌تر بود؛ اما این تحقیق اولین گام مهم در نوع جدیدی از معماری کامپیوتری را نشان می‌دهد.
با این حال، در حالی که گو و همکارانش دستورالعمل‌های اخلاقی را در توسعه «برینور» دنبال می‌کردند، چندین محقق از دانشگاه جانز هاپکینز در مقاله‌ای مرتبط با «نیچر الکترونیک» به اهمیت در نظر گرفتن ملاحظات اخلاقی در حین گسترش بیشتر این فناوری اشاره می‌کنند.
لنا اسمیرنوا، برایان کافو و اریک سی جانسون محققان این پژوهش هشدار می‌دهند: با افزایش پیچیدگی این سیستم‌های ارگانوئیدی، بررسی هزاران مساله اخلاق عصبی که سیستم‌های محاسبات زیستی را احاطه کرده اند و بافت عصبی انسان را در بر می‌گیرند، برای جامعه حیاتی است.
مغز انسان به طرز عجیبی شگفت انگیز است. به طور متوسط حدود ۸۶ میلیارد نورون و تا یک کوادریلیون سیناپس را شامل می‌شود. هر نورون به ۱۰ هزار نورون دیگر متصل است و به طور مداوم با یکدیگر ارتباط برقرار می‌کند.
تا به امروز، بهترین تلاش ما برای شبیه سازی فعالیت مغز در یک سیستم مصنوعی، به سختی با آن شباهت پیدا می‌کند.
سال ۲۰۱۳، کامپیوتر «ریکنز کی» (Riken's K) که در آن زمان یکی از قدرتمندترین ابرکامپیوتر‌های جهان بود، تلاش کرد تااز روی مغز انسان تقلید کند. با ۸۲،۹۴۴ پردازنده و یک پتابایت حافظه اصلی، شبیه سازی یک ثانیه از فعالیت ۱.۷۳ میلیارد نورون متصل به ۱۰.۴ تریلیون سیناپس (حدود یک تا دو درصد از مغز) ۴۰ دقیقه طول کشید.
سال‌های اخیر، دانشمندان و مهندسان در تلاش بوده اند تا با طراحی سخت افزار و الگوریتم‌هایی که ساختار و نحوه کار آن را تقلید می‌کنند، به قابلیت‌های مغز نزدیک شوند. این روش که با نام محاسبات «نورومورفیک» شناخته می‌شود، در حال بهبود است، اما بسیار انرژی بر است و آموزش شبکه‌های عصبی مصنوعی فرآیندی زمان‌بر است.
توضیح تصویر پایین : از چپ به راست، بالا: ارگانوئید‌های مغز انسان در ۷ روز، ۱۴ روز، ۲۸ روز و چند ماه.
پایین، چپ به راست: ۱ ماه، ۲ ماه، ۳ ماه.
«گو» و همکارانش به دنبال روشی متفاوت با استفاده از بافت واقعی مغز انسان بودند که در آزمایشگاه رشد کرده بود. سلول‌های بنیادی پرتوان انسانی به انواع مختلفی از سلول‌های مغزی تبدیل شدند که به شکل مغز‌های کوچک سه بعدی به نام ارگانوئیدها سازماندهی شده بودند و با اتصالات و ساختار‌ها تکمیل می‌شدند.
آن مغز‌های واقعی نیستند، بلکه صرفا بافت‌هایی هستند که هیچ چیزی شبیه به فکر، احساس یا آگاهی ندارند. آن‌ها برای مطالعه چگونگی رشد و کار مغز، بدون استفاده از یک انسان واقعی مفید هستند.
«برینور» متشکل از ارگانوئید‌های مغزی است که با استفاده از نوعی شبکه عصبی مصنوعی به نام محاسبات مخزنی به آرایه‌ای از میکروالکترود‌های با چگالی بالا متصل شده اند. تحریک الکتریکی اطلاعات را به درون ارگانوئید منتقل می‌کند، مخزنی که در آن اطلاعات قبل از اینکه «برینور» محاسبات خود را به شکل فعالیت عصبی انجام دهد، پردازش می‌شود.
برای لایه‌های ورودی و خروجی از سخت افزار کامپیوتر معمولی استفاده می‌شود. این لایه‌ها باید برای عملکرد با ارگانوئید آموزش داده می‌شدند و لایه خروجی داده‌های عصبی را می‌خواند و طبقه بندی یا پیش بینی را براساس ورودی انجام می‌داد.
محققان برای نشان دادن این سیستم، ۲۴۰ کلیپ صوتی از هشت سخنران مرد که صدا‌های مصوت ژاپنی را تولید می‌کردند به «برینور» دادند و از آن خواستند صدای یک فرد خاص را شناسایی کند.
آن‌ها کار خود را با یک ارگانوئید ساده شروع کردند؛ برینور پس از دو روز تمرین توانست با دقت ۷۸ درصد گوینده را شناسایی کند.
درتصویر زیر نمونه‌ای از یکی از ارگانوئیدها و فعالیت عصبی اسکن شده آن
محققان همچنین از برینور خواستند تا یک نقشه «هنون» (Henon) را پیش بینی کند، نقشه هنون یک سیستم دینامیکی است که رفتار آشفته‌ای از خود نشان می‌دهد. آن‌ها یادگیری را به مدت چهار روز (هر روز نشان دهنده یک دوره آموزشی) بدون نظارت رها کردند و دریافتند که این برنامه قادر است نقشه را با دقت بهتری نسبت به یک شبکه عصبی مصنوعی بدون یک واحد حافظه کوتاه مدت طولانی پیش بینی کند.
«برینور» دقت کمتری نسبت به شبکه‌های عصبی مصنوعی با واحد حافظه کوتاه‌مدت داشت؛ اما این شبکه‌ها هر کدام ۵۰ دوره آموزشی را پشت سر گذاشته‌اند. «برینور» در کمتر از ۱۰ درصد از زمان تمرین به نتایج مشابهی دست یافت.
پژوهشگران این پروژه می‌گویند: به دلیل انعطاف پذیری و سازگاری بالای ارگانوئیدها، برینور انعطاف پذیری لازم برای تغییر و سازماندهی مجدد در پاسخ به تحریک الکتریکی را دارد که این قابلیت توانایی آن را برای محاسبات تطبیقی برجسته می‌کند.
هنوز محدودیت های قابل توجهی وجود دارد، از جمله موضوع زنده نگه داشتن ارگانوئیدها و میزان مصرف انرژی تجهیزات جانبی. اما با در نظر گرفتن ملاحظات اخلاقی، «برینور» نه تنها برای محاسبات، بلکه برای درک اسرار مغز انسان کاربرد دارد.
ممکن است دهه‌ها طول بکشد تا سیستم‌های محاسبات زیستی عمومی ایجاد شوند، اما این تحقیق احتمالا بینش‌های بنیادی در مورد مکانیسم‌های یادگیری، توسعه عصبی و پیامد‌های شناختی بیماری‌های تحلیل برنده عصبی ایجاد می‌کند. همچنین می‌تواند به توسعه مدل‌های پیش بالینی اختلال شناختی برای آزمایش درمان‌های جدید کمک کند.
این پژوهش در مجله نیچر الکترونیک منتشر شده است.