Es gibt keinen Computer, der auch nur annähernd so leistungsfähig und komplex ist wie das menschliche Gehirn. Die Gewebeklumpen in unseren Schädeln können Informationen in Mengen und Geschwindigkeiten verarbeiten, die die Computertechnologie kaum erreichen kann.
Der Schlüssel zum Erfolg des Gehirns liegt in der Effizienz des Neurons, das im Gegensatz zu den physisch getrennten Einheiten in den meisten modernen Computergeräten sowohl als Prozessor als auch als Speichergerät fungiert.
Es gab viele Versuche, das Rechnen gehirnähnlicher zu gestalten, aber ein neuer Versuch geht noch einen Schritt weiter – durch die Integration von echtem, tatsächlichem menschlichem Gehirngewebe mit Elektronik.
Es heißt Brainoware und es funktioniert. Ein Team unter der Leitung des Ingenieurs Feng Guo von der Indiana University Bloomington gab ihm Aufgaben wie Spracherkennung und mathematische Probleme wie die Vorhersage nichtlinearer Gleichungen.
Er war etwas ungenauer als ein reiner Hardware-Computer mit künstlicher Intelligenz, aber die Forschung zeigt einen wichtigen ersten Schritt in einer neuen Art von Computerarchitektur.
Doch während Guo und seine Kollegen bei der Entwicklung von Brainoware die ethischen Richtlinien befolgten, bemerken mehrere Forscher der Johns Hopkins University in einem entsprechenden Artikel Naturelektronik Kommentieren Sie, wie wichtig es ist, bei der Weiterentwicklung dieser Technologie ethische Überlegungen im Auge zu behalten.
Lena Smirnova, Brian Caffo und Erik C. Johnson, die nicht an der Studie beteiligt waren, warnen: „Da die Komplexität dieser Organoidsysteme zunimmt, ist es für die Gemeinschaft von entscheidender Bedeutung, die unzähligen neuroethischen Fragen zu untersuchen, die Biocomputersysteme umgeben.“ unter Einbeziehung menschlichen Nervengewebes.
Das menschliche Gehirn ist einfach umwerfend erstaunlich. Es enthält durchschnittlich schätzungsweise 86 Milliarden Neuronen und bis zu einer Billiarde Synapsen. Jedes Neuron ist mit bis zu 10.000 anderen Neuronen verbunden, feuert ständig und kommuniziert miteinander.
Bisher haben unsere besten Bemühungen, die Aktivität des Gehirns in einem künstlichen System zu simulieren, kaum an der Oberfläche gekratzt.
Im Jahr 2013 unternahm Rikens K-Computer – damals einer der leistungsstärksten Supercomputer der Welt – einen Versuch, das Gehirn nachzuahmen. Mit 82.944 Prozessoren und einem Petabyte Hauptspeicher dauerte es 40 Minuten, um eine Sekunde lang die Aktivität von 1,73 Milliarden Neuronen zu simulieren, die durch 10,4 Billionen Synapsen verbunden sind – etwa nur ein bis zwei Prozent des Gehirns.
In den letzten Jahren haben Wissenschaftler und Ingenieure versucht, sich den Fähigkeiten des Gehirns anzunähern, indem sie Hardware und Algorithmen entwickeln, die seine Struktur und Funktionsweise nachahmen. Das als neuromorphes Computing bekannte Verfahren wird immer besser, ist jedoch energieintensiv und das Training künstlicher neuronaler Netze zeitaufwändig.
Guo und seine Kollegen suchten nach einem anderen Ansatz und verwendeten echtes menschliches Gehirngewebe, das in einem Labor gezüchtet wurde. Menschliche pluripotente Stammzellen wurden dazu gebracht, sich zu verschiedenen Arten von Gehirnzellen zu entwickeln, die sich in dreidimensionalen Minigehirnen, sogenannten Organoiden, komplett mit Verbindungen und Strukturen organisierten.
Dabei handelt es sich nicht um echte Gehirne, sondern lediglich um Gewebeanordnungen, die nichts mit Gedanken, Gefühlen oder Bewusstsein zu tun haben. Sie sind nützlich, um zu untersuchen, wie sich das Gehirn entwickelt und funktioniert, ohne in einem echten Menschen herumzustöbern.
Brainoware besteht aus Gehirnorganoiden, die über eine Art künstliches neuronales Netzwerk, bekannt als Reservoir Computing, mit einer Reihe hochdichter Mikroelektroden verbunden sind. Elektrische Stimulation transportiert Informationen in das Organoid, das Reservoir, in dem diese Informationen verarbeitet werden, bevor Brainoware seine Berechnungen in Form neuronaler Aktivität ausspuckt.
Für die Ein- und Ausgabeschichten wird normale Computerhardware verwendet. Diese Schichten mussten trainiert werden, um mit dem Organoid zu funktionieren, wobei die Ausgabeschicht die neuronalen Daten liest und auf der Grundlage der Eingabe Klassifizierungen oder Vorhersagen trifft.
Um das System zu demonstrieren, gaben die Forscher Brainoware 240 Audioclips von acht männlichen Sprechern, die japanische Vokale erzeugten, und baten Brainoware, die Stimme einer bestimmten Person zu identifizieren.
Sie begannen mit einem naiven Organoid; Nach nur zwei Tagen Training konnte Brainoware den Sprecher mit einer Genauigkeit von 78 Prozent identifizieren.
Sie baten Brainoware außerdem, eine Hénon-Karte vorherzusagen, ein dynamisches System, das chaotisches Verhalten zeigt. Sie ließen es vier Tage lang unbeaufsichtigt lernen – jeder Tag stellte eine Trainingsepoche dar – und stellten fest, dass es die Karte genauer vorhersagen konnte als ein künstliches neuronales Netzwerk ohne eine lange Kurzzeitgedächtniseinheit.
Brainoware war etwas weniger genau als künstliche neuronale Netze mit einer langen Kurzzeitgedächtniseinheit – aber diese Netze hatten jeweils 50 Trainingsepochen durchlaufen. Brainoware erzielte in weniger als 10 Prozent der Trainingszeit nahezu die gleichen Ergebnisse.
„Aufgrund der hohen Plastizität und Anpassungsfähigkeit von Organoiden verfügt Brainoware über die Flexibilität, sich als Reaktion auf elektrische Stimulation zu verändern und neu zu organisieren, was seine Fähigkeit zum adaptiven Reservoir-Computing unterstreicht“, schreiben die Forscher.
Es gibt immer noch erhebliche Einschränkungen, einschließlich der Frage, ob die Organoide am Leben und gesund bleiben, und des Stromverbrauchs der Peripheriegeräte. Unter Berücksichtigung ethischer Überlegungen hat Brainoware jedoch nicht nur Auswirkungen auf die Datenverarbeitung, sondern auch auf das Verständnis der Geheimnisse des menschlichen Gehirns.
„Es kann Jahrzehnte dauern, bis allgemeine Biocomputersysteme geschaffen werden können, aber diese Forschung wird wahrscheinlich grundlegende Erkenntnisse über die Mechanismen des Lernens, die neuronale Entwicklung und die kognitiven Auswirkungen neurodegenerativer Erkrankungen liefern“, schreiben Smirnova, Caffo und Johnson.
„Es könnte auch dabei helfen, präklinische Modelle kognitiver Beeinträchtigungen zu entwickeln, um neue Therapeutika zu testen.“
Die Forschung wurde veröffentlicht in Naturelektronik.