Red Hot Cyber
Sicurezza Informatica, Notizie su Cybercrime e Analisi Vulnerabilità
Un team giapponese ha recentemente addestrato dei neuroni vivi integrandoli ad un sistema di "reservoir computing", trasformando una coltura biologica in una vera piattaforma di calcolo attiva. Utilizzando un algoritmo di nome FORCE, la rete, ha generato dei segnali complessi, inclusi dei pattern caotici come l’attrattore di Lorenz. Il risultato ha dimostrato che le reti neurali biologiche potrebbero eseguire dei compiti che ad oggi sono tipici delle intelligenze artificiali, aprendo quindi la strada a dei nuovi modelli di "computing ibrido" che risultano difficili da replicare con sistemi digitali tradizionali.
Per la prima volta, dei neuroni viventi sono stati addestrati a svolgere un compito che fino ad oggi veniva eseguito solo da sistemi puramente artificiali. Ricercatori dell’Università di Tohoku e della Future University di Hakodate hanno integrato una coltura di neuroni biologici in un framework computazionale di apprendimento automatico, riuscendo a generare segnali complessi nel tempo.
Il lavoro svolto dai ricercatori, affronta una questione di lunga data all’intersezione tra biologia e informatica. Le reti neurali artificiali e le reti neurali a impulsi sono da tempo utilizzate per l’elaborazione dei dati, in particolare quando la struttura temporale di un segnale è importante.
Il reservoir computing è un approccio ben noto in questo campo. Si basa meno su una riconfigurazione completa dell’intera rete e più sulla ricca dinamica interna di un sistema ricorrente. In parole semplici, la rete opera come un ambiente complesso di stati e l’apprendimento si riduce principalmente all’interpretazione corretta della sua risposta.
Nei sistemi artificiali, l’algoritmo FORCE, ad esempio, viene utilizzato per tali compiti. Esso regola il segnale di uscita in tempo reale in base all’errore, generando così diversi modelli temporali, da semplici oscillazioni periodiche a traiettorie caotiche. Finora, tuttavia, non era chiaro se uno schema simile potesse essere trasferito a una rete neurale vivente, dove gli elementi non sono simulati tramite codice, ma crescono, si connettono e si attivano spontaneamente.
Per testare questa ipotesi, un team giapponese ha assemblato una rete neurale biologica a partire da neuroni corticali di ratto coltivati in vitro. Questa rete è stata poi integrata in un’architettura di reservoir computing. L’attività elettrica delle cellule viventi è stata registrata sotto forma di treni di impulsi, convertita in un segnale continuo e inviata a un livello di lettura, che ha generato l’output. Il ciclo è stato quindi chiuso con un feedback: il segnale di output è stato utilizzato come nuovo input per la rete biologica stessa. Questo schema ha trasformato la coltura neuronale da oggetto di osservazione in un elemento di calcolo attivo.
Uno dei dettagli tecnici fondamentali riguarda i dispositivi microfluidici. Utilizzandoli, i ricercatori hanno guidato la crescita dei neuroni e controllato la formazione delle connessioni tra le regioni della rete. Questo approccio ha permesso loro di assemblare un’architettura modulare ed evitare la sovrasincronizzazione, ovvero la condizione in cui troppi neuroni iniziano a comportarsi allo stesso modo. Questo è cruciale per il calcolo: il reservoir computing non richiede un’attività uniforme, ma dinamiche multidimensionali complesse da cui è possibile estrarre strutture temporali utili.
Dopo aver ottimizzato il sistema, è stato applicato l’algoritmo FORCE allo strato di output e addestrato la rete biologica a generare vari segnali temporali. Il sistema è stato in grado di riprodurre onde sinusoidali, triangolari e quadre, nonché traiettorie caotiche più complesse, incluso l’attrattore di Lorenz. Quest’ultimo è particolarmente interessante perché non si tratta più di un semplice ritmo, ma di una caratteristica dinamica non lineare, tipicamente utilizzata come test per computer complessi.
Gli autori sottolineano in particolare la flessibilità della piattaforma. All’interno dello stesso sistema, la rete ha imparato a riprodurre oscillazioni sinusoidali con periodi compresi tra 4 e 30 secondi e a mantenerle in modo coerente dopo l’addestramento. Per una coltura neuronale vivente, questo risultato è di per sé significativo: il sistema non si è limitato a rispondere agli stimoli, ma ha padroneggiato il compito su diverse scale temporali e ha poi riprodotto il pattern desiderato.
Secondo Hideaki Yamamoto, a capo dello studio, le reti neurali viventi dovrebbero essere considerate una nuova risorsa di calcolo. L’idea non è quella romantica di un computer vivente, bensì che i sistemi biologici possiedono una dinamica intrinseca complessa, difficile e costosa da riprodurre artificialmente. Se riuscissimo a collegare in modo affidabile questa dinamica ai circuiti di calcolo, potremmo creare un tipo di macchina diverso, in cui parte dell’elaborazione viene eseguita dal tessuto vivente stesso.
Gli autori prevedono di migliorare ulteriormente la stabilità della generazione del segnale dopo l’addestramento, ridurre i ritardi di feedback e perfezionare l’algoritmo FORCE per le applicazioni biologiche. Intendono inoltre sviluppare la piattaforma come sistema microfisiologico per testare gli effetti dei farmaci e modellare i disturbi neurologici. In questa forma, la tecnologia sarà utile non solo per l’informatica, ma anche per la biomedicina, dove è importante osservare come una rete neurale vivente modifichi le proprie dinamiche sotto l’influenza di farmaci o malattie.
