Peneliti mengembangkan sistem bio-AI yang memakai neuron korteks tikus hidup untuk menjalankan tugas komputasi AI secara real-time. Temuan ini menarik perhatian karena menunjukkan bahwa sel otak biologis tidak hanya bisa diamati, tetapi juga dilatih sebagai bagian dari sistem komputasi yang aktif.
Studi tersebut berfokus pada cara menggabungkan jaringan saraf biologis dengan teknik pembelajaran mesin dalam satu loop tertutup. Pendekatan ini membuka kemungkinan baru bagi pengembangan antarmuka otak-mesin, prostetik saraf, dan sistem AI hibrida yang memadukan perangkat hidup dengan perangkat elektronik.
Bagaimana sistem ini bekerja
Dalam riset itu, neuron hidup dihubungkan dengan microelectrode array berkepadatan tinggi dan perangkat mikrofluida. Sinyal saraf yang terekam lalu diubah menjadi keluaran kontinu, kemudian dikirim kembali sebagai stimulasi listrik dalam satu siklus umpan balik sekitar 330 milidetik.
Tim peneliti memakai metode pembelajaran real-time agar output sistem terus menyesuaikan diri dengan sinyal target. Dengan desain ini, jaringan neuron dapat belajar secara berkelanjutan tanpa memerlukan intervensi manual pada setiap tahap proses.
Konsep yang dipakai disebut closed-loop reservoir computing. Dalam pendekatan ini, jaringan biologis berperan sebagai reservoir dinamis yang memproses informasi, sementara sistem pembelajaran membaca pola aktivitasnya untuk menghasilkan output yang diinginkan.
Inovasi penting pada struktur jaringan
Salah satu tantangan utama dalam kultur neuron adalah sinkronisasi berlebihan. Jika terlalu banyak neuron menembak secara serempak, kemampuan jaringan untuk memproses pola yang lebih kaya menjadi menurun.
Untuk mengatasi hal itu, peneliti menyusun neuron secara fisik ke dalam 128 micropore yang saling terhubung melalui microchannel. Desain ini membuat jaringan lebih teratur dan mengurangi korelasi antarneuron secara signifikan, dari sekitar 0,45 menjadi sekitar 0,12.
Penurunan korelasi itu penting karena menandakan aktivitas jaringan menjadi lebih beragam. Menurut data studi, struktur jaringan berbentuk lattice menunjukkan performa keseluruhan terbaik dibanding susunan yang kurang terorganisasi.
Tugas AI yang berhasil dijalankan
Sistem bio-AI ini dilaporkan mampu menghasilkan beberapa pola gelombang secara akurat. Di antaranya adalah gelombang sinus, gelombang kotak, dan gelombang segitiga pada beberapa interval waktu.
Kemampuan itu penting karena menunjukkan neuron hidup bisa diarahkan untuk mengikuti target komputasi tertentu. Dalam pelatihan, sistem bahkan mempertahankan tingkat korelasi di atas 0,8, yang menunjukkan kecocokan kuat antara output dan sinyal target.
Tidak hanya pola sederhana, sistem juga dapat mendekati dinamika yang lebih rumit seperti Lorenz attractor. Dalam riset komputasi, Lorenz attractor sering dipakai sebagai contoh sistem chaos yang sulit diprediksi karena sangat sensitif terhadap perubahan kondisi awal.
Mengapa temuan ini dianggap penting
Selama ini, banyak riset AI terinspirasi oleh otak biologis tetapi dijalankan sepenuhnya di perangkat silikon. Studi ini bergerak ke arah berbeda karena memanfaatkan jaringan saraf hidup sebagai bagian langsung dari proses komputasi.
Pendekatan seperti ini dianggap menjanjikan untuk bio-hybrid AI. Teknologi tersebut dapat menjadi dasar sistem yang lebih adaptif, hemat energi, dan lebih dekat dengan cara otak alami memproses informasi.
Potensinya juga besar untuk brain-machine interface. Jika koneksi dua arah antara jaringan saraf dan mesin makin presisi, teknologi ini dapat membantu pengembangan perangkat yang membaca, menerjemahkan, atau bahkan memulihkan fungsi saraf tertentu.
Batasan yang masih harus diatasi
Meski hasilnya kuat saat pelatihan berlangsung, performa sistem menurun setelah pelatihan dihentikan. Dalam operasi mandiri, tingkat kesalahan diketahui meningkat, sehingga kestabilan jangka panjang masih menjadi persoalan besar.
Kendala lain datang dari jeda umpan balik sekitar 330 milidetik. Latensi ini membatasi kemampuan sistem untuk menangani sinyal yang berubah sangat cepat, sehingga ruang penerapannya masih belum seluas AI elektronik konvensional.
Berikut poin utama hasil studi tersebut:
- Neuron korteks tikus hidup berhasil dilatih untuk komputasi real-time.
- Jaringan yang disusun dalam 128 micropore memberi performa lebih baik.
- Korelasi antarneuron turun dari 0,45 ke sekitar 0,12.
- Sistem mampu menghasilkan gelombang sinus, kotak, dan segitiga.
- Akurasi pelatihan tercermin dari korelasi output di atas 0,8.
- Sistem juga dapat mengaproksimasi pola chaos seperti Lorenz attractor.
Arah pengembangan berikutnya
Peneliti menargetkan pengurangan latensi dengan perangkat keras yang lebih khusus. Langkah itu dinilai krusial agar sistem bio-AI bisa merespons lebih cepat dan menangani tugas komputasi yang lebih kompleks.
Jika hambatan teknis ini teratasi, aplikasi praktisnya bisa meluas ke prostetik saraf generasi baru dan sistem komputasi biologis yang lebih efisien. Temuan ini juga memperkuat gagasan bahwa neuron hidup dapat berfungsi sebagai komponen komputasi nyata, bukan sekadar objek eksperimen di laboratorium.
