脑类器官储备计算用于人工智能

当前人工智能的成功主要归功于人工神经网络(ANNs)的发展，这些网络使用硅计算芯片处理大量数据。然而，在当前的AI计算硬件上训练ANNs既耗能又耗时。这些问题的关键原因之一是数据与数据处理单元的物理分离，即所谓的冯·诺依曼瓶颈。摩尔定律的放缓也对当前的AI硬件施加了进一步的限制。因此，需要开发AI硬件的替代方法。

人类大脑是一个复杂的三维生物网络，约有2000亿个细胞，通过数百万亿个纳米级突触相互连接。其结构、功能和效率可能是开发AI硬件的强大灵感来源。特别是，人类大脑通常消耗约20瓦电力，而当前的AI硬件需要消耗约800万瓦才能驱动相当的ANN。大脑还可以通过神经元可塑性和神经发生，以最小的训练成本有效地处理和学习来自嘈杂数据的信息，避免了高精度计算方法的大量能源消耗。

受生物神经网络(BNNs)的启发，人们已尝试开发高效、低成本的神经形态芯片，例如使用忆阻器。然而，当前的神经形态芯片只能部分模拟大脑功能，需要提高其处理能力，适应现实生活的不确定性并提高能源效率。

脑类器官是通过人类多能干细胞的自组织和分化创建的体外三维聚合体，可以成为类似大脑的组织，能够重现发育中大脑的结构和功能的某些方面。印第安纳大学的研究者在nature electronics报告了一种利用脑类器官中生物神经网络(ONNs)的储备计算和无监督学习能力的AI硬件(Brain organoid reservoir computing for artificial intelligence)。这种方法被称为Brainoware，通过处理时空信息并通过脑类器官的神经可塑性实现无监督学习。

研究结果

1) 研究团队构建了Brainoware系统，通过将功能性脑类器官安装在高密度多电极阵列(MEA)上。该方法以储备计算框架为基础，其中时间依赖的输入通过输入层转换为电刺激的时空序列，然后通过适应性活体储备层投射到高维计算空间。Brainoware接收输入通过外部电刺激，并通过诱发的神经活动发送输出，提供AI计算的功能基础。研究者的实验证明，该方法可以通过重塑类器官功能连接性进行无监督学习，并且如果突触可塑性被阻断(例如，使用K252A阻断剂)，计算性能将会维持但无监督学习能力会停止。

图1 Brainoware 用于人工智能计算的无需监督学习

2) 研究者首先测试了Brainoware作为物理储备的基本实现特性，例如非线性动态、衰减记忆(或短期记忆)和空间信息处理，通过检查ONNs对不同脉冲时间(tp)和电压(vp)的双极电压脉冲刺激的反应。结果显示，在应用单一电压脉冲刺激(tp≥200μs)后，Brainoware的诱发平均归一化放电率与脉冲电压的关系可以用sigmoid函数拟合，这与ANNs的非线性激活函数一致。研究还测试了Brainoware的衰减记忆，应用具有不同脉冲时间和电压的脉冲，展示了脉冲时间越长、电压越高的刺激产生更强的诱发响应和更慢的松弛动态。

图2 语音识别

3) 研究者将Brainoware应用于实际任务，首先展示了通过区分来自说话者池中的个人元音进行语音识别的能力。使用日语元音数据库进行基准测试，将240个孤立日语元音(/a/和/e/)音频剪辑转换为刺激双极脉冲的时空序列并应用到Brainoware上。初始训练前，系统达到约51.0±7.8%的低精度，表明Brainoware可能利用朴素类器官的预先存在的功能连接性来执行语音识别任务。经过四个训练周期(每12小时一个周期)，系统达到了约78.0±5.2%的更高精度，表明Brainoware通过训练提高了语音识别性能。功能连接性分析显示，训练期间(第0-2天)的类器官比训练前(第-2至0天)的类器官有显著更多的连接性变化(削弱、加强、新建和修剪)，这表明训练显著重塑了类器官的功能连接性。

4) 研究还将Brainoware应用于预测Hénon映射(一种典型的具有混沌行为的非线性动态系统)。将2D Hénon映射转换为一维分解，然后转换为双极电压脉冲的时空序列，优化后发送到MEA电极以刺激Brainoware。通过馈送Brainoware编码有Xn值的时空脉冲，来预测Hénon映射(Xn+1值)。与理论输出(地面真实值)相比，训练后的状态显示比训练前的状态更好的预测结果。有趣的是，Brainoware将回归分数从0.356±0.071(朴素类器官)提高到0.812±0.043(经过四个训练周期的相同类器官)。而使用CaMKII阻断剂K252A阻断活动依赖性突触可塑性的阴性对照组，在相同的训练程序中，回归分数仅从0.310±0.072略微提高到0.385±0.063，表明Brainoware的学习活动依赖于神经可塑性。

全文总结

这项研究报告了一类利用有机神经网络(ONNs)计算能力的储备计算硬件。人类脑类器官具有自组织和形成功能性ONNs的能力，可用于开发脑启发式AI硬件。这些ONNs可能具有模拟人类大脑所需的复杂性和多样性，有望启发开发更复杂、更人性化的AI系统。由于类器官的高可塑性和适应性，Brainoware具有响应电刺激而改变和重组的灵活性，突显了其适应性储备计算的能力。该方法还可能自然地解决当前AI硬件在时间和能源消耗以及热量产生方面的挑战。

研究团队成功展示了该系统具有物理储备特性，如非线性动态、衰减记忆和空间信息处理能力，并将其实际应用于语音识别和非线性方程预测等任务。此外，研究还表明该系统能够通过重塑ONNs的功能连接性来从训练数据中学习。这些发现为开发更高效、更人性化的AI系统提供了新的思路和方法，有望解决当前AI技术面临的能源消耗和计算效率问题。

然而，当前的Brainoware方法仍存在一些限制和挑战，包括类器官的生成和维护技术挑战、系统功耗优化、界面技术改进以及数据管理和分析等方面的问题。未来工作需要着重于开发方法来与整个类器官进行界面连接，以及优化时空信息的编码和解码。随着这些技术的进一步发展，基于脑类器官的AI硬件有望在提高人工智能性能的同时大幅降低能源消耗。