I neuroni viventi possono diventare strumenti di calcolo? È la domanda a cui hanno provato a rispondere i ricercatori della Tohoku University e della Future University Hakodate, sviluppando un sistema capace di trasformare cellule cerebrali di ratto in veri e propri “processori” biologici. Lo studio, pubblicato su Proceedings of the National Academy of Sciences, dimostra come queste reti neuronali possano generare segnali complessi in tempo reale grazie al machine learning.
Addestramento guidato dei neuroni viventi
Il cuore dell’esperimento è una coltura di neuroni corticali di ratto integrata con microelettrodi ad alta densità e dispositivi microfluidici. Questa infrastruttura ha permesso di registrare l’attività elettrica delle cellule e di trasformarla in segnali continui, successivamente rielaborati da un sistema digitale.
Il meccanismo si basa su un ciclo chiuso: l’output prodotto dai neuroni viene reintrodotto come stimolo elettrico, creando un feedback continuo con una latenza di circa 330 millisecondi. Per ottimizzare il processo, i ricercatori hanno utilizzato un algoritmo chiamato FORCE (First-Order Reduced and Controlled Error), che corregge in tempo reale le deviazioni rispetto al segnale target.
Un elemento decisivo è stato l’uso di film microfluidici in PDMS per “guidare” la crescita delle connessioni neuronali. Senza vincoli fisici, infatti, i neuroni tendono a sincronizzarsi eccessivamente, perdendo la capacità di apprendere. Con una struttura organizzata in micro-pozzetti collegati da canali, invece, la rete ha acquisito maggiore complessità dinamica.
Neuroni e intelligenza artificiale: una convergenza innovativa
I risultati mostrano come le reti neuronali biologiche possano comportarsi come sistemi computazionali non convenzionali. Le configurazioni sperimentate – una a reticolo e una gerarchica – hanno ridotto drasticamente la correlazione tra neuroni, aumentando la “dimensione” del sistema e quindi la sua capacità di elaborazione.
In particolare, le reti a reticolo hanno offerto le prestazioni migliori, grazie a connessioni più dense che generano tassi di attività più elevati. Questo fornisce al sistema di decodifica un segnale più ricco, migliorando l’apprendimento.
Secondo il ricercatore Hideaki Yamamoto, queste reti dimostrano che i neuroni viventi non sono solo oggetti di studio biologico, ma possono diventare nuove risorse computazionali. Una prospettiva che ridefinisce il concetto stesso di hardware.
Machine learning e segnalazione temporale complessa
Il sistema è stato in grado di apprendere e riprodurre diversi tipi di segnali temporali: onde sinusoidali con periodi di 4, 10 e 30 secondi, ma anche forme più complesse come onde triangolari e quadre. Ancora più significativo è il fatto che la stessa coltura potesse essere riaddestrata per generare frequenze diverse.
I ricercatori sono riusciti anche ad approssimare un attrattore di Lorenz, cioè una traiettoria caotica tridimensionale, ottenendo correlazioni superiori a 0,8 tra segnali previsti e target durante la fase di apprendimento.
Questo dimostra che la variabilità intrinseca dei neuroni, spesso vista come un limite, può invece diventare un vantaggio. A differenza dei sistemi digitali tradizionali, queste reti biologiche sono capaci di adattarsi dinamicamente a compiti complessi e non lineari.
Verso nuove interfacce cervello-macchina
Le implicazioni di questa ricerca sono particolarmente rilevanti per lo sviluppo di interfacce cervello-macchina. Sistemi ibridi che combinano elementi biologici e digitali potrebbero portare a dispositivi più flessibili, capaci di interpretare segnali in tempo reale con maggiore efficienza.
L’integrazione di neuroni viventi in architetture computazionali apre scenari inediti anche per le neuroprotesi, dove la capacità di adattamento è fondamentale. In prospettiva, queste tecnologie potrebbero migliorare l’interazione tra esseri umani e macchine, rendendola più naturale e reattiva.
Limiti, prospettive e ruolo dei neuroni nelle AI future
Nonostante i risultati promettenti, restano alcune criticità. Le prestazioni del sistema tendono a degradare quando il processo di apprendimento viene interrotto: nel 99% dei casi, l’errore aumenta durante il funzionamento autonomo.
Inoltre, la latenza del ciclo di feedback limita la capacità di seguire segnali molto rapidi o con variazioni brusche. I ricercatori suggeriscono che hardware più specializzato o tecniche di filtraggio alternative potrebbero migliorare questo aspetto.
Resta anche la sfida della scalabilità e stabilità nel lungo periodo. Tuttavia, il potenziale è evidente: i neuroni coltivati su chip potrebbero rappresentare una nuova frontiera dell’intelligenza artificiale, capace di affiancare – e in alcuni casi superare – i modelli tradizionali.
Strategie per orientarsi in questo scenario di ricerca
Per chi segue l’evoluzione dell’AI, questa ricerca rappresenta un segnale chiaro: il futuro potrebbe non essere solo digitale. La convergenza tra neuroscienze e machine learning sta dando vita a paradigmi completamente nuovi, in cui la materia vivente diventa parte integrante del calcolo.
Monitorare questi sviluppi significa comprendere in anticipo le trasformazioni dell’hardware e delle applicazioni. Le interfacce cervello-macchina, in particolare, potrebbero cambiare radicalmente il rapporto tra esseri umani, dispositivi e ambiente.
Fonte: Tom’s Hardware
