ცოცხალი ტვინი პეტრის ჯამში — კულტურაში გაზრდილმა ნეირონებმა სწავლა შეძლეს
ამ სტატიაში
Proceedings of the National Academy of Sciences (PNAS) 2026;123(11):e2521560123. doi: 10.1073/pnas.2521560123 · ტოჰოკუს უნივერსიტეტი & Future University Hakodate & ტოკიოს უნივერსიტეტი
ლაბორატორიაში, ჩიპზე, ვირთხის თავის ტვინის ქერქის მხოლოდ რამდენიმე ასეული ნეირონი ცხოვრობს. თუმცა ეს ნეირონები უკვე ჩვეულებრივი კულტურა აღარ არის: მეცნიერებმა მათ ასწავლეს სინუსოიდური ტალღების წარმოქმნა, სამკუთხა და მართკუთხა ტალღებისთვის მიყოლა და ლორენცის ატრაქტორის მსგავსი ქაოსური მათემატიკური ნიმუშების მიბაძვაც კი რეალურ დროში . ტოჰოკუს უნივერსიტეტის გუნდის კვლევა, რომელიც გამოქვეყნდა ჟურნალში PNAS, მედიცინისა და ხელოვნური ინტელექტის გადაკვეთაზე ახალ შესაძლებლობას ხსნის: შეუძლიათ ცოცხალ ნეირონებს მანქანური სწავლა? პასუხი ფრთხილი „დიახ“ არის — ამ მიღწევის შესაძლო გავლენა კი ფართოა: კიბოს კვლევებიდან ტვინისა და კომპიუტერის ინტერფეისებამდე.
ამბის არსი: კულტივირებული ნეირონები სინუსოიდურ ტალღას წარმოქმნიან
ცოცხალი ტვინის ერთ-ერთი ყველაზე საოცარი უნარია, ერთი შეხედვით ქაოსური ნერვული აქტივობიდან აზრიანი, კოორდინირებული კუნთოვანი მოძრაობები შექმნას. კალათბურთელის მიერ ბურთის კალათში ტყორცნა, პიანისტის თითების კლავიშებზე დაშვების სიზუსტე ან ბავშვის მეტყველების ბგერები — ეს ყველაფერი მილიარდობით ნეირონის ქაოსური სპონტანური აქტივობიდან წარმოშობილი მოწესრიგებული დროითი ნიმუშებია. მაგრამ როგორ ხდება ეს გარდაქმნა? და, შესაძლოა, უფრო საინტერესო კითხვაც: შესაძლებელია მსგავსი გარდაქმნის მიბაძვა ჩიპზე მხოლოდ რამდენიმე ასეული ნეირონის გაზრდით?
კვლევის პასუხი ნათელია: დიახ, შესაძლებელია. იაპონელმა მკვლევრებმა კულტურაში გაზრდილი ვირთხის ქერქის ნეირონები მაღალი სიმკვრივის მიკროელექტროდულ მასივებს (HD-MEA — high-density microelectrode arrays) დაუკავშირეს და შექმნეს რეალურ დროში დახურული უკუკავშირით მოქმედი სისტემა. შედეგი: ცოცხალი ნეირონების ქსელებმა გარე „მასწავლებელ“ სიგნალთან შეგუებით ისწავლეს 4–30 წამიანი პერიოდის სინუსოიდური, სამკუთხა და მართკუთხა ტალღების და სამგანზომილებიანი ქაოსური ლორენცის ატრაქტორის წარმოქმნაც კი.
მთავარი კითხვა: რატომ არის მნიშვნელოვანი?
კომპიუტერები ენერგიის მომხმარებელი უზარმაზარი მანქანებია. ტვინი კი დაახლოებით 20 ვატით მუშაობს — იმდენით, რამდენსაც LED ნათურა მოიხმარს. თუ ცოცხალი ნეირონების გამოთვლით შესაძლებლობებს ხელოვნურ ინტელექტში ჩავრთავთ, ენერგოეფექტიანობის რევოლუცია შეიძლება მოხდეს. ეს კვლევა „ცოცხალი ბიოლოგიური გამოთვლითი სუბსტრატის“ (wetware) კონცეფციისკენ გადადგმული ერთ-ერთი ყველაზე კონკრეტული ნაბიჯია.
რა არის რეზერვუარული გამოთვლა? როგორ მიიღება წესრიგი ქაოსიდან?
ამ კვლევის გასაგებად მანქანური სწავლის ერთ კონცეფციას უნდა გავეცნოთ: რეზერვუარულ გამოთვლას (reservoir computing). ძირითადი იდეა ასეთია: რთული, მაღალგანზომილებიანი, არაწრფივი სისტემის, ანუ რეზერვუარის, გარდამავალი დინამიკა გამოიყენება როგორც „მზა გამოთვლითი რესურსი“. რეზერვუარში არსებული რთული აქტივობის შეცვლის მცდელობის ნაცვლად მხოლოდ მარტივი წრფივი დეკოდერი (linear decoder) ისწავლება, რომელიც გამოსავალს კითხულობს. ხელოვნურ ნერვულ ქსელებში ეს მიდგომა მკვეთრად ამცირებს სწავლების დანახარჯს და შთამბეჭდავ შედეგებს იძლევა ისეთ ამოცანებში, როგორიცაა დროითი მწკრივების დამუშავება.
ძუძუმწოვრების ტვინი რეზერვუარული გამოთვლის შთაგონების წყაროა. თუმცა ცოცხალი ნეირონული ქსელების ფიზიკურ რეზერვუარებად გამოყენება დიდხანს შეზღუდული იყო, რადგან in vitro (მინის გარეთ, ანუ ლაბორატორიულ პირობებში) კულტივირებული ნეირონები ჩვეულებრივ აჩვენებენ ზედმეტად სინქრონიზებულ აფეთქებით აქტივობას . ყველა ნეირონი ერთდროულად განმუხტავს; ეს კი ზუსტად საპირისპიროა რეზერვუარისთვის საჭირო „მდიდარი, მრავალფეროვანი დინამიკის“ მდგომარეობისა.
ადაპტირებულია სურათი 1A-დან: Sono და თანაავტორები, PNAS 2026
ზედმეტი სინქრონიზაციის დარღვევა: მიკროფლუიდური ხელოვნების ნიმუში
პრობლემის დასაძლევად გუნდის მიერ გამოყენებული მეთოდი საინჟინრო თვალსაზრისით მეტად ელეგანტურია: მიკროფლუიდური (microfluidic) მოწყობილობებით მოდულური ქსელის არქიტექტურის შექმნა. ელექტროდის ზედაპირზე პოლიდიმეთილსილოქსანის (PDMS — polydimethylsiloxane) მიკროფლუიდური ფირი მოათავსეს. ეს ფირი ნეირონებს 100×100 მიკრომეტრის კვადრატულ ჭებში ზღუდავს; ჭებს შორის კავშირი კი მხოლოდ წვრილი მიკროარხებით, ~5 მიკრომეტრის სიგანით, უზრუნველყოფილია.
გუნდმა ორი განსხვავებული მიკროფლუიდური დიზაინი შექმნა:
- თითოეული ჭა 4 მეზობელს უკავშირდება
- კვადრატული ბადის ტოპოლოგია
- ჭებს შორის შედარებით თანაბარი კავშირები
- განმუხტვის საშუალო სიხშირე: 0,56 ± 0,09 Hz
- სწავლის საუკეთესო შედეგი ამ ჯგუფში
- ოთხ მასშტაბზე დაჯგუფებული კავშირები
- ჰეტეროგენული კავშირების ნიმუში
- ჭებს შორის უფრო იშვიათი კომუნიკაცია
- განმუხტვის საშუალო სიხშირე: 0,32 ± 0,08 Hz
- ბადესთან შედარებით დაბალი შედეგი
მესამე, საკონტროლო ჯგუფად გამოიყენეს ჰომოგენური ნეირონული კულტურები, გაზრდილი მიკროფლუიდური ფირის გარეშე. შედეგებმა მკვეთრი განსხვავება გამოავლინა. ჰომოგენურმა კულტურებმა ზედმეტად სინქრონიზებული აფეთქებების მოსალოდნელი ნიმუში აჩვენეს: ელექტროდებს შორის საშუალო კორელაცია იყო 0,45 ± 0,04. თუმცა ბადისა და იერარქიული დიზაინების შემთხვევაში კორელაცია მკვეთრად შემცირდა, შესაბამისად, 0,11 ± 0,01 და 0,12 ± 0,03მნიშვნელობებამდე. ამგვარად, ეს ქსელები ზედმეტი სინქრონიზაციის მდგომარეობაში აღარ იყვნენ და გაცილებით მდიდარ, მრავალფეროვან დინამიკას აჩვენებდნენ.
როგორ „ასწავლეს“ ნეირონებს? FORCE ალგორითმი
ნეირონებს სასურველი ნიმუშის წარმოქმნა რომ „ესწავლათ“, გუნდმა გამოიყენა FORCE ალგორითმი (First-Order Reduced and Controlled Error — პირველი რიგის შემცირებული და კონტროლირებული შეცდომა). მისი ძირითადი ლოგიკა შეიძლება ასე შევაჯამოთ: დროის ყოველ ნაბიჯზე სისტემა ითვლის განსხვავებას ნეირონების მიერ წარმოქმნილ გამოსავალსა და სამიზნე სიგნალს შორის და მუდმივად აახლებს დეკოდერის წონებს ამ განსხვავების შესამცირებლად. ამავე დროს ნეირონებს უკუკავშირის სტიმულაციას უგზავნის და ქსელის აქტივობას სამიზნისკენ მიმართავს.
თავდაპირველად ნეირონები სპონტანურ, არარეგულარულ აქტივობას აჩვენებდნენ. FORCE სწავლის დაწყებისას დეკოდერის წონებმა სწრაფი რყევა დაიწყო, რამაც ქსელის ნეირონები სამიზნე სიგნალთან, მაგალითად, 30 წამიან სინუსოიდურ ტალღასთან შესაბამის პერიოდულ განმუხტვის ნიმუშზე გადაიყვანა. დროთა განმავლობაში წონების რყევა შემცირდა და სისტემა მივიდა სტაბილურ მატრიცულ კონფიგურაციამდე, რომელსაც სამიზნე ფუნქციის წარმოქმნა შეეძლო. უფრო გასაოცარია, რომ სწავლის გათიშვის შემდეგაც სისტემას რხევითი აქტივობის გაგრძელება შეეძლო დამოუკიდებლად .
შედგენილია სურათი 3C-დან: Sono და თანაავტორები, PNAS 2026 · MSE: Mean Squared Error (საშუალო კვადრატული შეცდომა)
გრაფიკზე ჩანს, რომ მიკროფლუიდურად ფორმირებული ქსელები, განსაკუთრებით ბადის დიზაინი, სინუსოიდური ტალღის ყველა პერიოდისთვის ნაკლებ შეცდომას აჩვენებდნენ, ვიდრე ჰომოგენური კულტურები და უჯრედების გარეშე საკონტროლო პირობაც კი. საყურადღებო შედეგი: სწრაფ, 4 წამიან სინუსოიდურ ტალღაზე ჰომოგენური კულტურები იმდენად წარუმატებელი იყო, რომ უჯრედების გარეშე კონტროლისგან არ განსხვავდებოდა — ანუ არსებული ნეირონები თითქოს არც იყვნენ. ბადის ქსელები კი ყველა პერიოდზე თანმიმდევრულად უკეთესი იყო.
რა ისწავლეს? სინუსი, სამკუთხედი, მართკუთხედი და ქაოსური ატრაქტორი
კვლევის პრაქტიკული ძალა იმაშია, რომ ერთი და იგივე კულტურა სხვადასხვა სამიზნე სიგნალისთვის ხელახლა ისწავლება. იმავე ნეირონულმა ქსელმა თანმიმდევრულად შეძლო შემდეგი ამოცანების სწავლა:
📈 1. სინუსოიდური ტალღები (4, 10, 30 წამიანი პერიოდებით)
ერთი და იგივე კულტურა განსხვავებული სიხშირის სინუსოიდურ ტალღებს წარმატებით შეეგუა. იმავე კულტურის სხვადასხვა სიხშირისთვის მარტივი ხელახალი სწავლება სისტემის მოქნილობის ყველაზე ძლიერი დასტურია.
📐 2. სამკუთხა ტალღა
უფრო რთული სიგნალი რამდენიმე სიხშირული კომპონენტით და წერტილებით, სადაც წარმოებული არ არსებობს. ნეირონულმა ქსელმა ამ სიგნალსაც წარმატებით მიჰყვა, თუმცა მკვეთრ კუთხეებზე გარკვეული შეცდომა შეინიშნებოდა.
▅ 3. მართკუთხა ტალღა
ყველაზე რთული პერიოდული სამიზნე — უეცარი გადასვლები და პლატოს უცვლელი დონეები. არსებული სისტემის 332 ms შეფერხება ძალიან მაღალი სიხშირის მართკუთხა ტალღების ზუსტ წარმოქმნას ზღუდავდა.
🦋 4. ლორენცის ატრაქტორი (ქაოსური სიგნალი)
სამგანზომილებიანი, არაწრფივი და ქაოსური დროითი მწკრივი. გუნდმა ესეც კონცეფციის დამადასტურებელ დონეზე შეძლო — სამივე განზომილებაში კორელაციამ 0,8-ს გადააჭარბა. ქაოსური კუდის მაღალამპლიტუდიან პიკებზე გარკვეული შეცდომის მიუხედავად, სისტემა სწავლის გათიშვის შემდეგაც ინარჩუნებდა ქაოსურ რხევით ქცევას.
ნეირონები ნამდვილად „სწავლობენ“ თუ მხოლოდ რეაგირებენ?
კვლევის, შესაძლოა, ყველაზე ფილოსოფიური კითხვა ასეთია: ცოცხალი ნეირონები აქ ნამდვილად ახორციელებენ სწავლას თუ მხოლოდ გარე კომპიუტერის მიერ მართული უკუკავშირის ციკლის კომპონენტი არიან? პასუხი ორივე ვარიანტს ნაწილობრივ მოიცავს.
ტექნიკურად სწავლის პროცესი ორ ეტაპად მიმდინარეობს. პირველი არის გარე FORCE ალგორითმის მიერ დეკოდერის წონების უწყვეტი განახლება. მეორე, უფრო საინტერესო, არის ნეირონული ქსელის შინაგანი დინამიკის გადაწყობა ამ უკუკავშირთან ერთად. კვლევამ აჩვენა, რომ უკუკავშირის გააქტიურებისას ნეირონების აქტივობა არარეგულარული, მაღალი ვარიაციის მდგომარეობიდან უფრო სტრუქტურირებულ, დაბალგანზომილებიან დინამიკაზე გადადიოდა. ამ სტრუქტურირებულ მდგომარეობაში ნეირონები სტაბილურად გადადიოდნენ ორ ატრაქტორულ (attractor) მდგომარეობას შორის, რომლებიც სინუსოიდური ტალღის დადებით და უარყოფით პიკებს შეესაბამებოდა. ეს ცოცხალ ტვინში რეალური მოტორული ბრძანებების წარმოქმნისას სავარაუდოდ მიმდინარე პროცესის მინიატურული მიბაძვაა.
ყველაფერი ასე მარტივად არ არის: შეზღუდვები და ღია პრობლემები
მკვლევრებმა თავიანთი ნაშრომის სხვადასხვა შეზღუდვა გამჭვირვალედ წარმოადგინეს. ეს გულწრფელობა შედეგების სამეცნიერო ხარისხს აძლიერებს:
- დახურული ციკლის შეფერხება 332 ms — მაღალი სიხშირის სიგნალებისთვის არასაკმარისია
- სწავლის შემდეგ შედეგი უარესდება (ცდების 99%-ში MSE გაიზარდა)
- სამკუთხა და მართკუთხა ტალღების არადიფერენცირებადი გადასვლები მკაფიოდ ვერ წარმოიქმნება
- ლორენცის ატრაქტორის მაღალამპლიტუდიანი პიკები სრულად ზუსტი არ არის
- სისტემა რეზერვუარის შეშფოთებების მიმართ მოწყვლადია
- გამოყენებული იყო ვირთხის ნეირონები — ადამიანის ნეირონები შეიძლება განსხვავებულად იქცეოდნენ
- კულტურის სიცოცხლის ხანგრძლივობა 14-31 დღეა — გრძელვადიანი სტაბილურობა გაურკვეველია
- მხოლოდ 128 ჭა, რამდენიმე ასეული ნეირონი — ძალიან შეზღუდული მასშტაბი
- სისტემა საკვებ გარემოზეა დამოკიდებული; ავტონომიური მუშაობა შეზღუდულია
- სინაფსური პლასტიკურობის მოკლევადიანი დინამიკა მოდელში ვერ ჩაირთო
სად შეიძლება გავრცელდეს ეს ტექნოლოგია მომავალში?
ნაშრომის დასკვნით ნაწილში ავტორები რამდენიმე საინტერესო გამოყენების სფეროზე მიუთითებენ:
ონკოლოგიისა და ნეიროონკოლოგიის პერსპექტივიდან ერთ-ერთი ყველაზე საინტერესო შესაძლებლობა მსგავს სისტემებში ადამიანის ინდუცირებული პლურიპოტენტური ღეროვანი უჯრედებიდან (iPSC — induced pluripotent stem cell) მიღებული ნეირონების გამოყენებაა. ეს გულისხმობს პლატფორმას, რომელსაც ცხოველებზე ცდების ჩანაცვლება შეუძლია. გარდა ამისა, ტვინის სიმსივნის მქონე პაციენტებისგან მიღებული ნეირონული ნიმუშები შეიძლება პერსონალიზებული წამლის პასუხის ტესტირებისა და ნეიროპროთეზების შექმნის საფუძველი გახდეს.
🎓 DROZDOGAN აკადემია — კომენტარი და განხილვა
ბიოლოგიური ნერვული ქსელები · რეზერვუარული გამოთვლა · ნეირომორფული ტექნოლოგია · ეთიკისა და მედიცინის განხილვა
კვლევის მნიშვნელობა
ეს კვლევა ხელოვნური ინტელექტისა და ბიოლოგიის გადაკვეთაზე მნიშვნელოვან ზღვარს წარმოადგენს. იმის ჩვენება, რომ ცოცხალი ნეირონების სწავლება ხელოვნური ინტელექტის ალგორითმით შესაძლებელია, ასახავს, რომ „ინტელექტი“ მხოლოდ სილიციუმზე დაფუძნებული სისტემების თვისება არ არის. მედიცინისთვის ყველაზე ფასეული ისაა, რომ ადამიანის ტვინში მოტორული ბრძანების შექმნის მექანიზმები — ქაოსური სიგნალის შეთანხმებულ მოძრაობად გარდაქმნა — ლაბორატორიაში შეიძლება მოდელირდეს. ეს გრძელვადიან პერსპექტივას ხსნის მრავალი მდგომარეობის მკურნალობის სტრატეგიებისთვის, მათ შორის პარკინსონის დაავადების, ALS-ის, ინსულტის შემდგომი მოტორული ფუნქციის დაკარგვისა და ზურგის ტვინის დაზიანებების დროს.
ძლიერი მხარეები
კვლევის ყველაზე ორიგინალური წვლილი მიკროფლუიდური ინჟინერიისა და ბიოლოგიური ქსელის დინამიკის ზუსტი კონტროლის შერწყმაა. ზედმეტი სინქრონიზაციის პრობლემის მოდულური კავშირებით გადაჭრა ელეგანტური მიდგომაა არა მხოლოდ ბიოლოგიის, არამედ ქსელების მეცნიერებისა და რთული სისტემების თეორიის თვალსაზრისითაც. იმავე კულტურის მიერ სხვადასხვა სიხშირისა და ტიპის სიგნალების შესწავლა სისტემის მოქნილობის ძლიერი დასტურია. მკვლევრების მიერ მონაცემებისა და პროგრამული უზრუნველყოფის ღია წვდომით გაზიარებაც სფეროს განვითარებას მნიშვნელოვნად დაეხმარება. ტოჰოკუს უნივერსიტეტის გუნდის დაახლოებით 15 წლიანი მუშაობა ამ მიმართულებით მეთოდის სიმწიფის კიდევ ერთი მნიშვნელოვანი ფაქტორია.
შეზღუდვები და ღია კითხვები
კვლევა კონცეფციის დამადასტურებელ დონეზე რჩება და რეალურ გამოყენებამდე მნიშვნელოვანი დაბრკოლებები არსებობს. პირველი მასშტაბის პრობლემაა: უცნობია, მხოლოდ რამდენიმე ასეული ნეირონით ჩატარებული ექსპერიმენტი ათასი, ათიათასობით ან მილიონი ნეირონის მასშტაბზე იმავე თანმიმდევრულობით იმუშავებს თუ არა. მეორეა სტაბილურობა: კულტურები მხოლოდ რამდენიმე კვირა ცოცხლობს და სწავლის შემდეგ შედეგი სწრაფად უარესდება. მესამეა ფუნქციური მნიშვნელობა: სინუსოიდური ტალღის შექმნა შთამბეჭდავია, მაგრამ ეს ნეირონები ჯერ არ ასრულებენ ნამდვილ გამოთვლას „ამოცანის შესრულების“ გაგებით. მეოთხე და, შესაძლოა, ყველაზე მნიშვნელოვანი ეთიკური კითხვებია: რას ნიშნავს ცოცხალ ნეირონებს „მეხსიერება“ ან „გამოცდილება“ მივცეთ? შეიძლება ამ ნეირონულმა ქსელებმა „ცნობიერება“ შეიძინოს? ბრაინოიდისა და ორგანოიდული ინტელექტის ეთიკური ჩარჩო ჯერ სრულად ჩამოყალიბებული არ არის.
გავლენა კლინიკურ პრაქტიკასა და ნეიროონკოლოგიაზე
ეს ტექნოლოგია დღეს ონკოლოგიურ პრაქტიკაზე პირდაპირ არ იმოქმედებს, თუმცა საშუალო და გრძელვადიან პერიოდში რამდენიმე მნიშვნელოვან გამოყენებას შეიძლება გაუხსნას გზა. პირველ რიგში, ტვინის სიმსივნის მქონე პაციენტებში სიმსივნის ამოკვეთის შემდეგ ნორმალური ქერქის ნეირონებისგან შექმნილი მინიქსელები პერსონალიზებული წამლის პასუხის ტესტებისთვის პლატფორმა შეიძლება გახდეს. მეორე, შესაძლებელია ისეთი სიმსივნეების, როგორიცაა გლიობლასტომა, გარშემო ჯანმრთელ ქსოვილზე ელექტროფიზიოლოგიური გავლენის in vitro მოდელირება. მესამე, ასეთ სისტემებს ქიმიოთერაპიისა და რადიოთერაპიის შემდეგ ნეიროტოქსიკურობის შეფასებისას ცხოველებზე ცდების ჩანაცვლების პოტენციალი აქვს. ყველაზე საინტერესოა შესაძლებლობა, რომ რადიაციით გამოწვეული კოგნიტიური გაუარესების (radiotherapy-induced cognitive decline) ან ქიმიოთერაპიით გამოწვეული პერიფერიული ნეიროპათიის მექანიზმები და მკურნალობის სტრატეგიები პაციენტისთვის სპეციფიკურ, iPSC-დან მიღებულ ნეირონულ კულტურებზე გამოიცადოს.
მომავლის კითხვები
სფეროს წინაშე მდგომი საკვანძო კვლევითი კითხვებია: შეიძლება ადამიანის iPSC-დან მიღებულმა ნეირონებმა ამ პარადიგმაში იმავე მოქნილობა აჩვენოს და დაავადების რომელ მოდელებში შეიძლება მათი გამოყენება? როგორ შემცირდეს დახურული ციკლის შეფერხება მილიწამის მასშტაბამდე, რათა უფრო რთული ნიმუშები ისწავლებოდეს? ორგანოიდულ ტექნოლოგიასთან შერწყმისას რა უპირატესობა შეიძლება ჰქონდეს სამგანზომილებიან ნერვულ ქსელებს ორგანზომილებიან მიკროფლუიდურ სისტემებთან შედარებით? შეიძლება ტოჰოკუს ჯგუფისა და სხვა გუნდების, მაგალითად, ავსტრალიური DishBrain პროექტის, ნაშრომებმა ერთად ახალი „ბიოლოგიური გამოთვლის“ სტანდარტი შექმნას? და, შესაძლოა, უმთავრესი კითხვა: შეიძლება მილიონობით ან მილიარდობით ნეირონის მასშტაბის ცოცხალ სისტემებში სწავლებადი ინტელექტი წარმოიშვას და ასეთ შემთხვევაში რა ეთიკური და მარეგულირებელი ჩარჩოები დაგვჭირდება? ამ კითხვების პასუხები მომდევნო 10-20 წლის განმავლობაში არა მხოლოდ ინჟინერიას, არამედ მედიცინასა და ფილოსოფიურ ანთროპოლოგიასაც ძირეულად შეცვლის.
სამეცნიერო წყაროები
- Sono Y, Yamamoto H, Nishi Y, Sumi T, Sato Y, Hirano-Iwata A, Katori Y, Sato S. Online supervised learning of temporal patterns in biological neural networks under feedback control. Proc Natl Acad Sci USA 2026;123(11):e2521560123. doi: 10.1073/pnas.2521560123
- Sussillo D, Abbott L. Generating coherent patterns of activity from chaotic neural networks. Neuron 2009;63:544–557.
- Nicola W, Clopath C. Supervised learning in spiking neural networks with FORCE training. Nat Commun 2017;8:2208.
- Yada Y, Yasuda S, Takahashi H. Physical reservoir computing with FORCE learning in a living neuronal culture. Appl Phys Lett 2021;119:173701.
- Sumi T და თანაავტორები. Biological neurons act as generalization filters in reservoir computing. Proc Natl Acad Sci USA 2023;120:e2217008120.
- Cai H და თანაავტორები. Brain organoid reservoir computing for artificial intelligence. Nat Electron 2023;6:1032–1039.
- Kagan BJ და თანაავტორები. In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron 2022;110:3952–3969.e8.
- Yamamoto H და თანაავტორები. Modular architecture facilitates noise-driven control of synchrony in neuronal networks. Sci Adv 2023;9:eade1755.
- Smirnova L და თანაავტორები. Organoid intelligence (OI): The new frontier in biocomputing and intelligence-in-a-dish. Front Sci 2023;1:1017235.
- Beniaguev D, Segev I, London M. Single cortical neurons as deep artificial neural networks. Neuron 2021;109:2727–2739.e3.
ეს სტატია შექმნილია სარედაქციო პროცესის ფარგლებში სხვადასხვა ინსტრუმენტის, მათ შორის ხელოვნური ინტელექტის, გამოყენებით. გამოქვეყნებამდე იგი ადამიანმა რედაქტორებმა განიხილეს.
ეს სტატია სასარგებლო იყო თქვენთვის?
თქვენი გამოხმაურება გვეხმარება შინაარსის გაუმჯობესებაში.
მკითხველთა კომენტარები
გაგვიზიარეთ თქვენი კომენტარი
თქვენი სახელი და კომენტარი მხოლოდ ადმინისტრატორის დამტკიცების შემდეგ გამოქვეყნდება. ელფოსტის მისამართი ვიზიტორებს არასოდეს ეჩვენებათ.
პირველმა დაწერეთ კომენტარი.