Ein winziger Ball aus Gehirnzellen summt vor Aktivität, während er auf einer Reihe von Elektroden sitzt. Zwei Tage lang erhält es ein Muster elektrischer Impulse, wobei jede Stimulation die Sprachbesonderheiten von acht Personen kodiert. Am dritten Tag kann es zwischen Sprechern unterscheiden.

Das System mit dem Namen Brainoware legt die Messlatte für Bioinformatik höher, indem es 3D-Gehirnorganoide oder „Mini-Gehirne“ nutzt. Diese Modelle, die normalerweise aus menschlichen Stammzellen gezüchtet werden, entwickeln sich schnell zu einer Vielzahl von Neuronen, die zu neuronalen Netzwerken verknüpft sind.

Wie ihre biologischen Gegenstücke strahlen die Kleckse elektrische Aktivität aus – was darauf hindeutet, dass sie das Potenzial haben, Informationen zu lernen, zu speichern und zu verarbeiten. Wissenschaftler betrachten sie seit langem als vielversprechende Hardwarekomponente für gehirnbasiertes Computing.

Diese Woche ein Team an der Indiana University Bloomington setzte mit Brainoware die Theorie in die Realität um. Sie verbanden ein Gehirnorganoid, das der Hirnrinde ähnelt – der äußersten Schicht des Gehirns, die höhere kognitive Funktionen unterstützt – mit einem waferähnlichen Chip, der dicht mit Elektroden gefüllt ist.

Das Mini-Gehirn funktionierte sowohl als Zentraleinheit als auch als Speicher eines Supercomputers. Es erhielt Eingaben in Form von elektrischen Impulsen und gab seine Berechnungen durch neuronale Aktivität aus, die anschließend von einem KI-Tool entschlüsselt wurden.

Als Brainoware mit Geräuschen aus einer Gruppe von Menschen trainiert wurde, die in Elektroschocks umgewandelt wurden, lernte es schließlich, die „Geräusche“ bestimmter Personen herauszuhören. In einem weiteren Test bewältigte das System erfolgreich ein komplexes mathematisches Problem, das eine Herausforderung für die KI darstellt.

Die Lernfähigkeit des Systems beruht auf Veränderungen der neuronalen Netzwerkverbindungen im Minigehirn – ähnlich wie unser Gehirn jeden Tag lernt. Obwohl Brainoware nur ein erster Schritt ist, ebnet es den Weg für immer ausgefeiltere Hybrid-Biocomputer, die die Energiekosten senken und die Berechnung beschleunigen könnten.

Der Aufbau ermöglicht es Neurowissenschaftlern auch, das Innenleben unseres Gehirns weiter zu entschlüsseln.

„Während Informatiker versuchen, gehirnähnliche Siliziumcomputer zu bauen, versuchen Neurowissenschaftler, die Berechnungen von Gehirnzellkulturen zu verstehen.“ schrieb Dr. Lena Smirnova, Brian Caffo und Erik C. Johnson von der Johns Hopkins University, die nicht an der Studie beteiligt waren. Brainoware könnte neue Erkenntnisse darüber liefern, wie wir lernen, wie sich das Gehirn entwickelt, und sogar dabei helfen, neue Therapeutika für den Fall zu testen, dass das Gehirn ins Stocken gerät.

Eine Wendung zum neuromorphen Computing

Mit seinen 200 Milliarden Neuronen, die zu Hunderten Billionen Verbindungen vernetzt sind, ist das menschliche Gehirn vielleicht die leistungsstärkste bekannte Computerhardware.

Sein Aufbau unterscheidet sich grundsätzlich von dem klassischer Computer, die über separate Einheiten für die Datenverarbeitung und -speicherung verfügen. Für jede Aufgabe muss der Computer Daten zwischen den beiden hin- und herpendeln, was die Rechenzeit und den Energieverbrauch drastisch erhöht. Im Gegensatz dazu vereinen sich beide Funktionen an derselben physischen Stelle im Gehirn.

Diese als Synapsen bezeichneten Strukturen verbinden Neuronen zu Netzwerken. Synapsen lernen, indem sie ändern, wie stark sie sich mit anderen verbinden – indem sie die Verbindungsstärke mit Mitarbeitern erhöhen, die bei der Lösung von Problemen helfen, und das Wissen an derselben Stelle speichern.

Der Vorgang kommt Ihnen vielleicht bekannt vor. Künstliche neuronale Netze, ein KI-Ansatz, der die Welt im Sturm erobert hat, basieren lose auf diesen Prinzipien. Aber die benötigte Energie ist ganz anders. Das Gehirn benötigt 20 Watt, ungefähr die Leistung, die für den Betrieb eines kleinen Desktop-Lüfters erforderlich ist. Ein vergleichendes künstliches neuronales Netzwerk verbraucht acht Millionen Watt. Das Gehirn kann auch leicht aus einigen wenigen Beispielen lernen, während KI bekanntermaßen auf riesigen Datensätzen basiert.

Wissenschaftler haben versucht, die Verarbeitungseigenschaften des Gehirns in Hardware-Chips nachzubilden. Diese neuromorphen Chips bestehen aus exotischen Komponenten, deren Eigenschaften sich durch Temperatur oder Elektrizität ändern, und vereinen Verarbeitung und Speicherung am selben Ort. Diese Chips können Computer Vision unterstützen und Sprache erkennen. Sie sind jedoch schwierig herzustellen und erfassen die Innenfunktionen des Gehirns nur teilweise.

Warum nicht einfach seine eigenen biologischen Komponenten verwenden, anstatt das Gehirn mit Computerchips nachzuahmen?

Ein kluger Computer

Seien Sie versichert, das Team hat keine lebenden Gehirne an Elektroden angeschlossen. Stattdessen wandten sie sich Gehirnorganoiden zu. In nur zwei Monaten entwickelten sich aus den aus menschlichen Stammzellen hergestellten Minigehirnen eine Reihe von Neuronentypen, die in elektrisch aktiven Netzwerken miteinander verbunden waren.

Das Team ließ jedes Mini-Gehirn vorsichtig auf einen briefmarkenähnlichen Chip fallen, der vollgepackt war mit winzigen Elektroden. Der Chip kann die Signale der Gehirnzellen von über 1,000 Kanälen aufzeichnen und die Organoide mit fast drei Dutzend Elektroden gleichzeitig zappen. Dadurch ist es möglich, die Stimulation präzise zu steuern und die Aktivität des Minigehirns aufzuzeichnen. Mithilfe eines KI-Tools werden abstrakte neuronale Ausgänge auf einem normalen Computer in menschenfreundliche Antworten übersetzt.

In einem Spracherkennungstest zeichnete das Team 240 Audioclips von 8 sprechenden Personen auf. Jeder Clip erfasst einen isolierten Vokal. Sie wandelten den Datensatz in einzigartige Muster elektrischer Stimulation um und speisten diese in ein neu gewachsenes Mini-Gehirn ein. In nur zwei Tagen konnte das Brainoware-System mit einer Genauigkeit von fast 80 Prozent zwischen verschiedenen Sprechern unterscheiden.

Anhand einer beliebten neurowissenschaftlichen Maßnahme stellte das Team fest, dass die Elektroschocks das Minigehirn „trainierten“, einige Netzwerke zu stärken und andere zu beschneiden, was darauf hindeutet, dass es seine Netzwerke neu verkabelt, um das Lernen zu erleichtern.

In einem anderen Test trat Brainoware gegen KI an, bei einer anspruchsvollen Mathematikaufgabe, die dabei helfen könnte, stärkere Passwörter zu generieren. Obwohl etwas weniger genau als eine KI mit Kurzzeitgedächtnis, war Brainoware viel schneller. Ohne menschliche Aufsicht wurden in weniger als 10 Prozent der Zeit, die die KI benötigte, nahezu kompatible Ergebnisse erzielt.

„Dies ist eine erste Demonstration der Verwendung von Gehirnorganoiden [für Computer]“, so Studienautor Dr. Feng Guo sagte MIT Technology Review.

Cyborg-Computer?

Die neue Studie ist die neueste zur Erforschung hybrider Biocomputer – einer Mischung aus Neuronen, KI und Elektronik.

Zurück in 2020, ein Team kombinierte künstliche und biologische Neuronen in einem Netzwerk, das mithilfe der Gehirnchemikalie Dopamin kommunizierte. In jüngerer Zeit, Fast eine Million Neuronen, die flach in einer Schüssel lagen, lernten mithilfe von Elektroschocks, das Videospiel Pong zu spielen.

Brainoware ist ein potenzieller Schritt nach oben. Im Vergleich zu isolierten Neuronen ahmen Organoide das menschliche Gehirn und seine hochentwickelten neuronalen Netzwerke besser nach. Aber sie sind nicht ohne Fehler. Ähnlich wie bei Deep-Learning-Algorithmen sind die internen Prozesse der Mini-Gehirne unklar, was es schwierig macht, die „Black Box“ zu entschlüsseln, wie sie rechnen – und wie lange sie Erinnerungen speichern.

Dann gibt es noch das „Wetlab“-Problem. Im Gegensatz zu einem Computerprozessor können Minigehirne nur einen engen Temperatur- und Sauerstoffbereich tolerieren und sind dabei ständig dem Risiko krankheitsverursachender Mikrobeninfektionen ausgesetzt. Das bedeutet, dass sie sorgfältig in einer Nährbrühe mit Spezialgeräten gezüchtet werden müssen. Die zur Aufrechterhaltung dieser Kulturen erforderliche Energie kann die Vorteile des Hybrid-Computersystems zunichte machen.

Mini-Gehirne lassen sich jedoch immer einfacher mit kleineren und effizienteren Systemen kultivieren – einschließlich solcher mit integrierten Aufnahme- und Zapping-Funktionen. Bei der schwierigeren Frage geht es nicht um technische Herausforderungen; Vielmehr geht es darum, was akzeptabel ist, wenn das menschliche Gehirn als Rechenelement verwendet wird. KI und Neurowissenschaften verschieben schnell die Grenzen, und Gehirn-KI-Modelle werden wahrscheinlich noch ausgefeilter werden.

„Für die Gemeinschaft ist es von entscheidender Bedeutung, die unzähligen neuroethischen Fragen zu untersuchen, die Biocomputersysteme mit menschlichem Nervengewebe umgeben“, schreiben Smirnova, Caffo und Johnson.

Bild-Kredit: Ein sich entwickelndes Gehirnorganoid / National Institute of Allergy and Infectious Diseases, NIH

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://singularityhub.com/2023/12/14/a-ball-of-brain-cells-on-a-chip-can-learn-simple-speech-recognition-and-math/