Intelligenza Artificiale: le reti neurali coltivate
Negli ultimi anni sono stati compiuti progressi verso i sistemi ibridi in cui i neuroni biologici sono integrati con le componenti elettroniche. Un cervello di lampreda è stato usato per controllare i movimenti di un piccolo robot a ruote e sono stati inviati dei comandi al sistema nervoso dei ratti per controllare il loro percorso. Questi studi possono essere tecnicamente problematici dato che l’accesso al cervello è limitato e interpretarne i dati è complicato. Gli approcci che coinvolgono la registrazione dell’attività di piccole popolazioni di neuroni sono anche limitati per la loro natura invasiva. I neuroni coltivati in laboratorio su una schiera di elettrodi non invasivi forniscono una attraente alternativa con cui studiare il funzionamento delle reti neurali biologiche e realizzare una nuova forma di controllo (con l’intelligenza artificiale). Come esempio sperimentale di una piattaforma di controllo, il corpo di un robot può muoversi in un’area definita e gli effetti di un cervello biologico, nel controllo del corpo, possono essere assistiti.
Coltivare reti di cellule cerebrali (solitamente 100.000) in vitro è attualmente possibile dissociando i neuroni ottenuti dal tessuto corticale di un roditore per poi farli ricrescere in una camera speciale con condizioni ambientali idonee e delle sostanze nutritive. Una serie di elettrodi incorporati alla base della camera (una matrice multi-elettrodo, MEA) agisce da interfaccia elettrica coltivata. I neuroni coltivati in questo modo si connettono spontaneamente, comunicano e si sviluppano, stabilizzandosi dopo 30 giorni di tempo per poi dare risposte utili per almeno tre mesi.
Questo campo di studi è ancora alle prime fasi e ci sono ancora difficoltà, ma c’è ancora molto da imparare. Anche in questa fase, questi esperimenti hanno un ruolo importante nello studio dei meccanismi di apprendimento biologici e neurologici del comportamento in generale. I robot forniscono anche un punto di partenza per la creazione di esperimenti più avanzati di apprendimento. Il problema sta nell’accoppiare gli obiettivi fisici del robot alla coltivazione del comportamento neurale.
Intelligenza Artificiale: caratteristiche operative delle reti neurali
La coltivazione è cresciuta in una camera contenente campioni di vetro foderati con un planare MEA 868 che può esser utilizzato per le registrazioni in tempo reale. Questo permette l’individuazione di potenziali d’azione neuronali all’interno di un raggio di 100 millimetri (o più) intorno a un singolo elettrodo. Utilizzando gli algoritmi corretti è quindi possibile separare i piccoli gruppi di neuroni, monitorati su un singolo elettrodo. Le registrazioni attraverso la coltivazione permettono una fotografia dell’attività globale dell’intera rete neurale che si è formata. È anche possibile stimolare elettricamente le coltivazioni tramite qualunque elettrodo per indurre un’attività neurale focalizzata. Il MEA si configura quindi come una interfaccia bidirezionale funzionale non distruttiva dei neuroni coltivati.
Risposte evocate elettricamente e una spontanea attività nella coltivazione possono essere accoppiate al sistema sotto controllo; negli esperimenti dell’autore, un robot fisico. Dati sensoriali ritrasmessi dal robot vengono successivamente consegnati alla coltivazione, chiudendo così il ciclo robot-coltivazione. Pertanto, l’elaborazione del segnale può esser suddiviso in due sezioni distinte:
- dalla coltivazione al robot, in cui una procedura processa un’attività neurale in tempo reale
- dal robot alla coltivazione, che prevede un processo di mappatura dal sensore del robot allo stimolo.
Il numero effettivo di neuroni in ogni specifica coltivazione dipende dalle variazioni naturali di densità nella proliferazione post-semina e allo scopo sperimentale. L’attività elettrochimica spontanea della coltivazione realizza segnali ad alcuni degli elettrodi, a una frequenza di campionamento di 25 kHz, viene utilizzata come input per gli attuatori dei robot e dei sensori (a ultrasuoni) dei robot convertiti in segnali di stimolazione ricevuti durante la coltivazione, chiudendo così il ciclo.
La sperimentazione
Un percorso neuronale esistente viene identificato dalla ricerca di forti relazioni di input/output tra coppie di elettrodi. Queste coppie sono definite come quelle combinazioni di elettrodi in cui i neuroni prossimali e un elettrodo rispondono alla stimolazione di un altro elettrodo in cui lo stimolo era applicato oltre il 60 per cento del tempo e risponde non più del 20 per cento del tempo di stimolazione su qualsiasi altro elettrodo. Una mappa di risposta input-ouput può dopo esser creata attraverso tutti gli elettrodi singolarmente con una forma d’onda di stimolazione bifasica (600 mV; 100 ms per ogni fase, ripetuto per 16 volte). In questo modo, una coppia di input/output adatta può esser scelta, in base a come si è sviluppata la coltivazione, allo scopo di fornire un percorso decisionale iniziale per il robot. Questo è impiegato per controllare il corpo del robot così come si vede; per esempio, se il sensore a ultrasuoni è attivo e desidera che la risposta causi l’allontanamento del robot dall’oggetto localizzato ultrasonicamente per continuare a muoversi.
Il robot segue un percorso in avanti fino a raggiungere una parete, a questo punto il valore del sonar anteriore diminuisce innescando un impulso stimolante. Se la risposta/output dell’elettrodo registra attività, il robot gira per evitare il muro. Negli esperimenti il robot si trasforma attivamente ogni volta che l’attività è registrata sulla risposta dell’elettrodo. Il risultato più rilevante è la presenza di una catena di eventi: rilevamento del muro – stimolazione – risposta. Da una prospettiva neurologica è ovviamente interessante speculare sul perché c’è un’attività sulla risposta dell’elettrodo quando non è stato applicato nessun impulso stimolante.
Il controllo della velocità del sensore è mediato dalla rete neurale coltivata che agisce come un’entità di un unico processo decisionale all’interno del ciclo di feedback generato. Un aspetto importante coinvolge quindi i cambiamenti neurali nella coltivazione degli elettrodi.
Apprendimento
Le indagini su apprendimento e memoria sono generalmente a una fase iniziale. Tuttavia il robot sembra migliorare le sue prestazioni nel tempo in termini di capacità di evitare il muro, nel senso che i percorsi neurali che determinano un’azione soddisfacente tendono a rafforzarsi se il processo viene eseguito abitualmente: impara con l’abitudine. Il numero di variabili di confondimento è comunque considerevole e il processo di plasticità, che avviene in un certo periodo di tempo, è (probabilmente) dipendente da quei fattori come la semina e la crescita iniziale degli elettrodi vicini nonché dei transitori ambientali.
Alcuni punti
I confronti sono stati effettuati con una simulazione “ideale” che risponde agli stimoli esattamente come richiesto. In molte occasioni la coltivazione risponde come previsto, in altre occasioni non lo fa, e in alcuni casi fornisce un segnale dal motore quando non è impostato per farlo. Il concetto di risposta “ideale” è difficile da affrontare tuttavia, siccome è coinvolta una rete biologica, non deve essere considerato in termini negativi quando la coltivazione non raggiunge la risposta ideale. Si sa molto poco circa i fondamentali processi neuronali che danno origine a significativi comportamenti, in particolare quando è coinvolto l’apprendimento, e quindi si ha la necessità di mantenere una mente aperta dalle performance della coltivazione.
In termini di sistemi di controllo e robotica, è stato dimostrato che un sistema può avere un cervello biologico per prendere le proprie “decisioni”. La quantità di 100.000 neuroni descritta è solo a causa delle attuali limitazioni. Le strutture tridimensionali (3D) sono già state sperimentate. Aumentando la complessità dalle due dimensioni alle tre, realizza un numero di 30 milioni di neuroni per quanto concerne il caso in 3D.
L’intera area di ricerca sta quindi aumentando la gamma di input sensoriali sempre più rapidamente e il numero di neuroni coltivati incapsulati è in aumento. Il potenziale di questi sistemi, incluso il range di compiti che possono affrontare, non è in nessun modo limitato al controllo del robot e quindi un nuovo ed entusiasmante branco di sistemi e controllo.
Capire l’attività neurale diventa più difficile anche con l’aumento della dimensione delle coltivazioni. Anche quelle correnti da 100.000 neuroni sono troppo complesse per ottenere una visione complessiva. Quando sono cresciuti a dimensioni come 30 milioni di neuroni o poco più, chiaramente il problema viene notevolmente ingrandito, in particolare riguardo all’attività neurale nel centro del volume di coltivazione, che è nascosto dalla vista. Inoltre, la natura dei neuroni può essere diversificata. Attualmente i neuroni del ratto vengono impiegati negli studi, tuttavia potrebbero essere usati altri neuroni animali o anche neuroni umani!
Kevin Warwick
Ultimi articoli di Kevin Warwick (vedi tutti)
- Sfide e vantaggi del cloud computing per l’apprendimento - 2 febbraio 2016
- Intelligenza Artificiale: le reti neurali coltivate - 15 giugno 2015
Libri scritti da Kevin Warwick
