Neurônios de Rato Aprendem IA em Tempo Real

Neurônios Vivos Programados para IA

Cientistas do Japão treinaram neurônios corticais de rato em cultura para realizar cálculos de IA em tempo real. Esta pesquisa inovadora, publicada na PNAS, pode revolucionar as interfaces cérebro-máquina.

O Estudo e a Metodologia

• Células Cerebrais em Ação: Uma equipe das universidades de Tohoku e Future Hakodate cultivou neurônios de ratos e os integrou a um sistema de aprendizado de máquina em tempo real.
• Sistema de Loop Fechado: Utilizando arrays de microeletrodos de alta densidade e dispositivos microfluídicos, os neurônios geraram autonomamente sinais temporais complexos, como ondas periódicas e caóticas, sem entrada externa.
• Feedback e Otimização: Sinais neuronais eram registrados (26.400 eletrodos), filtrados e decodificados. A saída era retroalimentada aos neurônios como estímulos elétricos. Um algoritmo (FORCE learning) otimizava o sistema continuamente para minimizar erros.

Tecnologia Habilitadora: Microfluidos

• Restrição Conexional: Filmes microfluídicos de PDMS foram cruciais para controlar como os neurônios se conectavam, evitando redes densas e super sincronizadas que falhavam no aprendizado.
• Poços Confinados: Corpos celulares neuronais foram confinados em 128 poços quadrados (aprox. 100×100 micrômetros), cada um abrigando uma média de 14,6 neurônios.
• Configurações de Conexão: Os poços eram ligados por microcanais em dois designs: “treliça” (conexões vizinhas uniformes) e “hierárquico” (conexões mais esparsas e multi-escala).

Resultados e Desempenho

• Dimensionalidade Aumentada: Ambas as configurações padronizadas reduziram dramaticamente as correlações neurais em comparação com culturas não padronizadas, aumentando a dimensionalidade da dinâmica da rede.
• Redes de Treliça Superiores: As redes de treliça superaram consistentemente as hierárquicas em todas as formas de onda alvo, provavelmente devido a maiores taxas de disparo.
• Aprendizado Versátil: O sistema aprendeu a gerar ondas senoidais (períodos de 4, 10 e 30 segundos), triangulares e quadradas. A mesma cultura pôde ser retreinada para oscilar em diferentes frequências.
• Aproximação Caótica: Os pesquisadores também demonstraram que o sistema podia aproximar um atrator de Lorenz (trajetória caótica tridimensional), com altas correlações entre os sinais previstos e alvo.
• Potencial Computacional: “Este trabalho mostra que as redes neuronais vivas não são apenas sistemas biologicamente significativos, mas também podem servir como novos recursos computacionais”, afirmou Hideaki Yamamoto.

Limitações e Futuras Aplicações

• Degradação Pós-Treino: O desempenho degradou-se após a interrupção do treinamento, com o erro médio quadrático aumentando em 99% dos testes.
• Latência do Feedback: Um atraso de aproximadamente 333 milissegundos no loop de feedback limitou a capacidade do sistema de rastrear formas de onda rápidas ou com bordas afiadas.
• Aplicações Futuras: Reduzir esse atraso por meio de hardware especializado ou filtragem alternativa pode expandir a gama de alvos aprendíveis, com futuras aplicações potencialmente se estendendo a interfaces cérebro-máquina e dispositivos neuroprotéticos.