El sistema logró resultados equiparables a redes neuronales con casi 10 veces más tiempo de entrenamiento.
El equipo liderado por Feng Guo de la Universidad de Indiana desarrolló la Brainoware, una computadora capaz de reconocimiento de voz y predicción de ecuaciones no lineales.
Aunque actualmente es menos precisa que las computadoras convencionales de inteligencia artificial, representa un avance significativo en la computación neuromórfica.
Los investigadores intentaron emular las capacidades del cerebro mediante chips de silicio con hardware y algoritmos que imitan su estructura y funcionamiento. Sin embargo, estos dispositivos, basados en principios electrónicos digitales, enfrentan desafíos como alto consumo de energía y tiempos prolongados de entrenamiento con redes neuronales artificiales.
Guo y su equipo crearon la Brainoware utilizando tejido cerebral humano cultivado en laboratorio a partir de células madre pluripotentes. Estas células se organizaron en minicerebros tridimensionales, llamados organoides, que se conectaron a microelectrodos de alta densidad para formar una red neuronal artificial denominada computación de reservorio.
Se empleó hardware informático convencional para las capas de entrada y salida, las cuales fueron entrenadas para operar con el organoide. La capa de salida realizó clasificaciones o predicciones basadas en la entrada al leer datos neuronales. La estimulación eléctrica llevó información al reservorio del organoide, donde fue procesada antes de que el Brainoware devolviera sus cálculos como actividad neuronal a la capa de salida. Estos hallazgos fueron publicados en Nature Electronics.
En una tarea inicial, los investigadores utilizaron 240 clips de audio de ocho hablantes masculinos emitiendo vocales japonesas y solicitaron al Brainoware que identificara la voz de cada individuo. Tras solo dos días de entrenamiento, el Brainoware logró identificar al hablante con una precisión del 78%.
Además, evaluaron la capacidad predictiva del Brainoware en un mapa de Hénon, un sistema dinámico caótico. Al dejar al Brainoware sin supervisión durante cuatro días, descubrieron que podía predecir el mapa con mayor precisión que una red neuronal artificial sin unidad de memoria a corto plazo. Aunque ligeramente menos preciso que estas redes después de 50 días de entrenamiento, el Brainoware logró resultados casi idénticos en menos del 10% del tiempo de entrenamiento.
Los creadores de la tecnología destacan el desafío de mantener viables los organoides y gestionar el consumo de energía de los equipos periféricos. Investigadores de la Universidad Johns Hopkins, no vinculados al estudio, subrayan las implicaciones éticas en un comentario en Nature Electronics. Advierten sobre la necesidad de abordar cuestiones neuroéticas a medida que estos sistemas organoides se vuelven más sofisticados y incorporan tejido neural humano.
Además, destacaron la fortaleza del estudio al señalar que, aunque la creación de sistemas bioinformáticos generales puede llevar décadas, esta investigación probablemente aporte conocimientos fundamentales sobre los mecanismos del aprendizaje, el desarrollo neuronal y las implicaciones cognitivas de las enfermedades neurodegenerativas.