Veijo Hänninen

Aivot ja tietotekniikka

Ihmisen aivojen ja tietotekniikan yhteyden luominen kiinnostaa tutkijoita mutta toisaalta myös se millaisilla piirielementeillä voitaisiin luoda aivomaista tietotekniikkaa.

Swinburne University of Technologyn Ivan Maksymoville ja Andrey Pototskylle myönnettiin tämän vuoden Ig Nobel fysiikan palkinto kokeellisesta työstä, johon liittyi väriseviä eläviä lieroja. Ig Nobel-palkinnot jaetaan tieteellisestä tutkimuksesta, joka ei ole vain ajatuksia herättävää, mutta myös koominen tai epätavallinen.

Näistä havainnoista he ovat havainneet mahdollisuuden uudelle, turvallisemmalle lähestymistavalle yhdistää ihmisen aivot tietokoneisiin.

Työssään he tutkivat kastematoja värisevässä kaiuttimessa ja havaitsivat laserilla niistä Faraday-aaltoja. Sammakot luovat luonnossa näitä aaltoväreilyjä veden pinnalle parittelukumppania houkutellessaan. Kastemato koostuu pääosin vedestä. Joten tutkijat odottivat alkoholikylvyssä rentoutuneen madon värisevän samalla tavalla kuin vesi.

Hermoimpulssit ovat yhteydessä toisiinsa siirtymällä neurosäikeen tai aksonin läpi. Aiemmat tutkimukset ovat olettaneet, että hermoimpulssit liikkuvat paitsi sähköisinä signaaleina mutta myös ääniaaltoina, jota ihmiset eivät kuule. Tutkijat uskovat näin olevan.

Ääni ja värinä voivat molemmat liikkua ihmisen ihon, luiden ja kudosten läpi vahinkoa aiheuttamatta. Näin voidaan tehdä esimerkiksi ultraäänikuvaus.

Ääniaalloista voi muodostaa myös solitoneja, jotka liikkuvat pitkiäkin matkoja ja ohittavat toisiaan ilman muodonmuutoksia. On kuitenkin vaikea havaita solitoneja ihmisen hermoissa. Siksi tutkijat etsivät niitä lierojen hermostoista.

Jos tuleva tutkimus pystyy varmistamaan, että hermoimpulssit liikkuvat itse asiassa hermosäikeiden läpi solitoneina, löytö Faraday-aalloista madoissa tulee merkittäväksi.

Tämä voi viitata potentiaaliin tuottaa ja muokata hermoimpulsseja aivoissa. Muodostamalla ulkoisesti ultraääniaaltoja eri taajuuksilla, esimerkiksi mobiililaitteella, voimme pystyä laukaisemaan Faraday-aaltoilut aivojen kudoksissa.

Jos hermoimpulssit kulkevat aivojen läpi solitoneina, ne säilyttäisivät muotonsa koko prosessin ajan. Ja tämä varmistaisi, että välitetty ”ajatus” pysyy yhtenäisenä aivoille asti. Suurempi kuva.

Ihmisen aivoja on ajateltu yhdistää tietokoneisiin muun muassa implantoimalla aivoihin neulaelektrodeja. Siihen liittyy kuitenkin merkittäviä terveysriskejä.

Tutkijat uskovat, että matotutkimus voisi auttaa luomaan turvallisemman, äänipohjaisen yhteyden ihmisen aivojen ja tietokoneiden välille. Se toimisi ilman vaarallisia neulaelektrodeja.

Tutkijat myöntävät, ettei heillä ole vankkoja tieteellisiä todisteita, että Faradayn aaltoilut voisivat olla vuorovaikutuksessa luonnollisten neuroimpulssien kanssa mutta tietyt mallit viittaavat sellaiseen mahdollisuuteen. Se mitä taajuuksia tähän käytettäisiin, onkin sitten jo isomman jatkotutkimuksen aihe.

Faradayn aaltoilut (ripples) ovat saman tieteilijän löytö, joka tunnetaan myös sähkömagneettisen induktion, diamagnetismin ja elektrolyysin taustalla olevista töistä.

Aivojen verkottumista matkien

USC Viterbi School of Engineeringin tutkijat yhdessä Illinoisin yliopiston Urbana-Champaignin kanssa ovat kehittäneet uuden mallin siitä, kuinka syvällä aivoissa oleva tieto voisi virrata verkosta toiseen ja miten nämä neuroverkkojen klusterit optimoivat itsensä ajan myötä.

Heidän työnsä uskotaan olevan ensimmäinen tutkimus, jossa havaitaan tämä itsensä optimoiva ilmiö neuroverkoissa.

Heidän havaintonsa voivat avata uusia tutkimusohjeita biologisesti inspiroituneelle tekoälylle, aivosyövän havaitsemiselle ja diagnoosille ja ne voivat edistää tai inspiroida uusia Parkinsonin hoitostrategioita.

"Huomasimme, että aivoverkoilla on poikkeuksellinen kyky minimoida latenssi, maksimoida läpäisykyky ja kestävyys samalla kun ne tekevät kaiken tämän hajautetulla tavalla ilman keskushallintoa tai koordinaattoria," sanoo apulaisprofessori Paul Bogdan. "Tämä tarkoittaa, että hermoverkot neuvottelevat keskenään ja muodostavat yhteyden toisiinsa tavalla, joka parantaa nopeasti verkoston suorituskykyä, mutta tämän yhdistämisen sääntöjä ei tunneta."

Bogdanin yllätykseksi yksikään neurotieteen käyttämistä klassisista matemaattisista malleista ei kyennyt toistamaan tarkasti tätä dynaamisesti syntyvää yhteysilmiötä.

Ihmisinä meillä on kyky oppia uusia tehtäviä unohtamatta vanhoja. Keinotekoiset neuroverkot kärsivät esimerkiksi hankalasta unohtamisen ongelmasta. Näemme tämän, kun yritämme opettaa robotille kaksi peräkkäistä tehtävää, kuten portaiden kiipeäminen ja sitten valon sammuttaminen.

Robotti voi ylikirjoittaa konfiguraation, joka mahdollisti sen kiivetä portaita, kun se siirtyy kohti optimaalista tilaa toisen tehtävän suorittamiseksi sammuttaa valo. Tämä tapahtuu, koska syvälliset oppimisjärjestelmät tukeutuvat valtavaan määrään koulutustietoja yksinkertaisten tehtävien hallintaan.

Jos pystyisimme toistamaan, kuinka biologiset aivot mahdollistavat jatkuvan oppimisen tai kognitiivisen kykymme induktiiviseen päättelyyn, pystymme opettamaan tekoälylle useita tehtäviä verkkokapasiteettia kasvattamatta, uskoo professori Bogdan.

Transistori vs synteettinen aivosolu

Texas A & M Universityn, Hewlett Packard Labsin ja Stanfordin yliopiston tutkijat ovat kehittäneet nanorakenteen, joka toimii lähes identtisesti aivosolun tapaan. He ovat myös osoittaneet, että nämä synteettiset aivosolut voidaan liittää yhteen muodostamaan monimutkaisia verkkoja, jotka voivat sitten ratkaista ongelmia aivojen kaltaisella tavalla.

"Tämä on ensimmäinen tutkimus, jossa olemme pystyneet jäljittelemään neuronia vain yhdellä nanoskaalan rakenteella, joka muuten tarvitsisi satoja transistoreita", kertoo professori R. Stanley Williams.

Tehtävät, jotka voivat uuvuttaa digitaalikoneet ovat aivolle peruskauraa. Itse asiassa aivot eivät ole vain nopeita tunnistamis- ja optimointiongelmissa, vaan ne kuluttavat myös paljon vähemmän energiaa kuin digitaaliset järjestelmät.

Parantaakseen aiemmin kehittämänsä Mott-memristorin toimintaa tutkijat kokosivat rakenteen, jossa tähän yhdistyy resistanssi ja kapasitanssi. Tärkein osa sitä on nanometrinen niobiumoksidikerros (NbO2). Kun tälle alueelle syötetään pieni jännite, sen lämpötila alkaa nousta. Mutta kun lämpötila saavuttaa kriittisen arvon, niobiumdioksidi muuttuu nopeasti eristeestä johteeksi. Tällöin se alkaa johtaa sähkövirtaa, sen lämpötila laskee ja niobiumdioksidi siirtyy takaisin eristeeksi.

Nämä edestakaiset siirtymät mahdollistavat synnyttää sähkövirtapulssin, joka muistuttaa läheisesti biologisten neuronien tuottamia sähköisiä piikkejä tai toimintapotentiaalien profiilia. Lisäksi muuttamalla synteettisten neuronien yli tulevaa jännitettä tutkijat toistivat runsaasti erilaisia aivoissa havaittuja neuronaalista käyttäytymistä, kuten jatkuvia purskeita ja kaoottista sähköisten piikkien laukomista.

"Neuronien dynaamisen käyttäytymisen sieppaaminen on aivojen innoittamien tietokoneiden keskeinen tavoite", sanoo Hewlett Packard Labsin Suhas Kumar. "Kaiken kaikkiaan pystyimme luomaan noin 15 erilaista neuronien ampumisprofiilia, kaikki käyttämällä yhtä sähkökomponenttia ja paljon pienemmillä energioilla verrattuna transistoripohjaisiin piireihin."

Arvioidakseen, pystyvätkö uudet synteettiset neuronit ratkaisemaan reaalimaailman ongelmia, tutkijat johdottivat 24 nanorakennetta verkostoksi, jollainen luo yhteydet aivokuoren ja talamuksen välille, eli hermoradan, joka liittyy kuvion tunnistamiseen. Tällä järjestelmällä he ratkaisivat version viruksen kvasilajien rekonstruointiongelman, jossa viruksen mutanttimuunnelmat tunnistetaan ilman vertailugeeniä.

Williams ja Kumar totesivat, että kokeiden tulokset ovat osoitus periaatteesta siitä, että heidän neuromorfiset järjestelmänsä voivat suorittaa tehtäviä nopeasti energiatehokkaalla tavalla.

Tutkijoiden mukaan tutkimuksen seuraavat vaiheet ovat niiden ongelmien valikoiman laajentaminen, jotka heidän aivojen kaltaiset verkostot voivat ratkaista sisällyttämällä siihen muita toimintomalleja ja joitakin ihmisen aivojen tunnusomaisia ominaisuuksia, kuten oppiminen ja muisti. He aikovat myös vastata teknologiansa piiritason haasteisiin sen toteuttamiseksi kaupallisessa mittakaavassa.

"Olemme osoittaneet, että ongelmatyypistä riippuen on olemassa erilaisia ja tehokkaampia tapoja tehdä laskelmia muita kuin tavanomaisia menetelmiä käyttäen digitaalisia tietokoneita transistoreilla."

Lokakuu 2020