ویژگی های سخت افزار محاسباتی مخزن. آپاسخ برانگیخته (نقشه شطرنجی و هیستوگرام پس از تحریک) به تحریک ولتاژ دوقطبی تک پالسی (میانگین ± خطای استاندارد میانگین (s.e.m.) n = 5 آزمایش تحریک). بنماینده پالس های شلیک نرمال شده را با زمان بندی پالس های مختلف برانگیخت (تیپ) و ولتاژ ضربه (vپ) (میانگین ± انحراف معیار، n = 5 آزمایش تحریک. منحنی برازش قرمز (تابع سیگموئید) فعالیت غیر خطی را نشان می دهد، در حالی که خط چین سیاه نشان دهنده فعالیت خود به خودی است. ج، نماینده شلیک نرمال شده را قبل، بعد از 100 میلی ثانیه یا بعد از 300 میلی ثانیه از پایان تحریک تک پالس برانگیخت، که پویایی پوسیدگی را نشان می دهد. هپاسخ‌های ممریستور مانند به جریانی از پالس‌ها (vپ= 200 میلی ولت، تیپ= 300 میکروثانیه). هنمودارهای شطرنجی مختلف که توسط دو الگوی فضایی مکمل (یعنی P1 و P2) از پالس‌های تحریک برانگیخته می‌شوند.vپ= 500 میلی ولت، تیپ= 500 میکروثانیه). اعتبار: الکترونیک طبیعی(2023). DOI: 10.1038/s41928-023-01069-w
فنگ گو، دانشیار مهندسی سیستم‌های هوشمند در دانشکده انفورماتیک، محاسبات و مهندسی دانشگاه ایندیانا، با توسعه یک سیستم محاسباتی ترکیبی جدید، به نام Brainoware، که سخت‌افزار الکترونیکی را ترکیب می‌کند، به محدودیت‌های فنی سخت‌افزار محاسباتی هوش مصنوعی می‌پردازد. با اندامک های مغز انسان
تکنیک های پیشرفته هوش مصنوعی مانند فراگیری ماشین و یادگیری عمیقکه توسط تراشه های کامپیوتری سیلیکونی تخصصی تغذیه می شوند، انرژی زیادی مصرف می کنند. به این ترتیب، مهندسان سیستم‌های محاسباتی نورومورفیک را با مدل‌سازی ساختار و عملکرد مغز انسان طراحی کرده‌اند تا عملکرد و کارایی این فناوری‌ها را بهبود بخشند. با این حال، این سیستم ها هنوز در توانایی خود برای تقلید کامل عملکرد مغز محدود هستند، زیرا اکثر آنها بر اساس اصول الکترونیک دیجیتال ساخته شده اند.
در پاسخ، Guo و تیمی از محققان IU، از جمله دانشجوی فارغ التحصیل Hongwei Cai، یک سیستم محاسباتی نورومورفیک ترکیبی ایجاد کرده اند که یک ارگانوئید مغز را روی یک آرایه چند الکترودی نصب می کند تا اطلاعات را دریافت و ارسال کند. ارگانوئیدهای مغزی کشت های سلولی سه بعدی مغز مانند هستند که از آنها مشتق شده اند سلولهای بنیادی و با انواع مختلف سلول های مغزی، از جمله نورون ها و گلیا، و ساختارهای مغز مانند مانند مناطق بطنی مشخص می شود.
Guo گفت: “Brainoware از یک ارگانوئید مغز انسان به عنوان یک مخزن زنده سازگار برای انجام یادگیری بدون نظارت با پردازش اطلاعات مکانی-زمانی از طریق نورپلاستیسیته ارگانوئید مغز استفاده می کند.” “رویکرد ما پیشرفت محاسبات هوش مصنوعی را همانطور که ارگانوئیدها ارائه می دهند، امکان پذیر می کند شبکه های عصبی بیولوژیکی با پیچیدگی خاصی و همچنین مصرف انرژی کم و یادگیری سریع.”
کار این تیم در منتشر شده است الکترونیک طبیعی.
این تیم در توسعه سیستم محاسباتی ترکیبی خود، پتانسیل بالایی را برای این کار نشان دادند مغز ارگانوئیدها برای پیشبرد قابلیت‌های رایانه‌های مخزن، نوعی شبکه عصبی مصنوعی مبتنی بر ایده گرفتن و به خاطر سپردن اطلاعات بر اساس دنباله‌ای از تحریک‌های الکتریکی. در یک سری آزمایش، Brainoware توانست به سرعت تشخیص دهد الگوهای سخنرانی و همچنین معادلات پیچیده ریاضی غیر خطی را انجام دهید.
گوئو گفت: “از طریق آموزش تحریک الکتریکی، ما توانستیم حروف صدادار یک فرد را از مجموعه ای از بلندگوها تشخیص دهیم.” با آموزش، یادگیری بدون نظارت را در سیستم های محاسباتی ترکیبی فعال کردیم.
گوئو در سال‌های اخیر چندین کمک مالی بزرگ برای کار پیشگامانه‌اش بر روی فناوری آزمایشگاه هوش مصنوعی روی یک تراشه و پچ برای تشخیص مصرف بیش از حد مواد افیونی دریافت کرده است. آزمایشگاه او در حال حاضر بر روی توسعه سیستم‌های زیست پزشکی هوشمند از طریق نوآوری هوش مصنوعی، دستگاه‌ها، حسگرها و سیستم‌هایی برای کاربردهای علوم زیستی و پزشکی ترجمه متمرکز است.
اطلاعات بیشتر:
Hongwei Cai و همکاران، مخزن ارگانوئیدی مغز برای محاسبات هوش مصنوعی، الکترونیک طبیعی(2023). DOI: 10.1038/s41928-023-01069-w
تهیه شده توسط
دانشگاه ایندیانا
نقل قول: مهندسان زیستی تقاطع ارگانوئیدها و هوش مصنوعی را با “Brainoware” می سازند (2023، 23 دسامبر)، بازیابی شده در 23 دسامبر 2023، از https://phys.org/news/2023-12-bioengineers-intersection-organoids- ai- brainoware.html
این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به جز هرگونه معامله منصفانه برای اهداف مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوا فقط برای مقاصد اطلاعاتی ارائه شده است.
