Nghiên cứu mới từ Nhật Bản chứng minh mạng lưới tế bào thần kinh sống có thể học cách tạo ra các tín hiệu phức tạp — mở ra hướng phát triển mới cho giao diện não-máy tính.

Một nhóm nghiên cứu tại Đại học Tohoku và Đại học Future Hakodate (Nhật Bản) vừa công bố thành công trong việc huấn luyện các tế bào thần kinh vỏ não chuột được nuôi cấy để tự tạo ra các tín hiệu thời gian phức tạp, sử dụng khung học máy thời gian thực. Nghiên cứu được đăng trên tạp chí Proceedings of the National Academy of Sciences vào ngày 12/3.

Hệ thống hoạt động như thế nào?

Các tế bào thần kinh sống được tích hợp với mảng điện cực mật độ cao gồm 26.400 điện cực và thiết bị vi lỏng, tạo thành một hệ thống tính toán vòng kín. Tín hiệu từ các tế bào thần kinh được ghi lại, xử lý và đưa ngược lại thành kích thích điện cho tế bào — tạo ra vòng phản hồi hoàn chỉnh với chu kỳ khoảng 333 millisecond. Hệ thống sử dụng thuật toán học gọi là FORCE để liên tục điều chỉnh bộ giải mã nhằm thu hẹp sai số giữa đầu ra của mạng và dạng sóng mục tiêu.

Chìa khóa thành công nằm ở cách kiểm soát cách các tế bào kết nối với nhau. Không có ràng buộc vật lý, các tế bào thần kinh nuôi cấy thường tạo thành mạng lưới đồng bộ cao và thất bại trong việc học bất kỳ tín hiệu mục tiêu nào. Nhóm nghiên cứu sử dụng màng vi lỏng PDMS để giới hạn từng nhóm tế bào vào các ô vuông khoảng 100×100 micromet, trung bình 14,6 tế bào mỗi ô, được kết nối với nhau qua các kênh vi mô.

Kết quả đáng chú ý

Hệ thống học được cách tạo ra sóng sine với chu kỳ 4, 10 và 30 giây, cùng sóng tam giác và sóng vuông. Đặc biệt, cùng một mẫu nuôi cấy có thể được huấn luyện lại để dao động ở tần số khác. Hệ thống còn mô phỏng thành công quỹ đạo hỗn loạn Lorenz attractor ba chiều — một bài kiểm tra độ phức tạp tính toán cao — với hệ số tương quan trên 0,8 giữa tín hiệu dự đoán và mục tiêu.

Giáo sư Hideaki Yamamoto từ Viện Nghiên cứu Truyền thông Điện của Đại học Tohoku nhận định: “Nghiên cứu này cho thấy các mạng lưới thần kinh sống không chỉ có ý nghĩa về mặt sinh học mà còn có thể đóng vai trò là nguồn tài nguyên tính toán mới.”

Hiệu suất giảm sút khi hệ thống chạy tự động sau khi ngừng huấn luyện, với sai số trung bình tăng trong 99% các thử nghiệm. Độ trễ khoảng 330 millisecond của vòng phản hồi cũng giới hạn khả năng theo dõi các dạng sóng thay đổi nhanh hoặc có cạnh sắc. Nhóm nghiên cứu cho rằng việc giảm độ trễ thông qua phần cứng chuyên dụng có thể mở rộng đáng kể phạm vi tín hiệu mà hệ thống có thể học, với tiềm năng ứng dụng trong tương lai bao gồm giao diện não-máy tính và thiết bị neuroprosthetics.