Para peneliti di Jepang berhasil melatih neuron hidup dari otak tikus untuk menjalankan komputasi AI secara real-time. Temuan ini menunjukkan bahwa jaringan saraf biologis bisa dipakai bukan hanya sebagai objek riset neurosains, tetapi juga sebagai sumber komputasi baru yang mungkin berguna untuk antarmuka otak-mesin di masa depan.
Penelitian ini dilakukan tim dari Tohoku University dan Future University Hakodate, lalu dipublikasikan di jurnal Proceedings of the National Academy of Sciences. Mereka menggabungkan neuron kortikal tikus yang dikultur dengan microelectrode array berdensitas tinggi dan perangkat mikrofluida, sehingga terbentuk sistem closed-loop reservoir computing yang bisa belajar menghasilkan sinyal temporal tanpa masukan eksternal.
Bagaimana neuron hidup dilatih seperti sistem AI
Dalam eksperimen ini, aktivitas listrik neuron dibaca melalui array yang berisi 26.400 elektroda dengan jarak 17,5 mikrometer. Sinyal spike dari sel saraf kemudian diubah menjadi sinyal kontinu, dibaca lewat lapisan keluaran linear, lalu hasilnya dikirim kembali ke neuron sebagai stimulasi listrik.
Siklus umpan balik itu berlangsung sekitar setiap 333 milidetik. Bobot pembaca keluaran disetel secara langsung dengan algoritma FORCE, singkatan dari First-Order Reduced and Controlled Error, yang terus menyesuaikan decoder agar selisih antara keluaran jaringan dan gelombang target makin kecil.
Peran penting struktur fisik jaringan
Para peneliti menemukan bahwa pembatas fisik sangat menentukan hasil belajar jaringan. Saat neuron dibiarkan tumbuh tanpa kendali bentuk, mereka cenderung membentuk jaringan rapat yang sangat sinkron, dan pola seperti itu gagal mempelajari sinyal target.
Untuk mengatasi hal itu, sel tubuh neuron dibatasi ke 128 sumur berukuran sekitar 100 x 100 mikrometer. Tiap sumur berisi rata-rata 14,6 neuron, lalu antarsumur dihubungkan lewat saluran mikro dengan dua susunan berbeda, yaitu desain kisi dan desain hierarkis.
Kedua konfigurasi terstruktur itu menurunkan korelasi antarneuron secara tajam dibanding kultur tanpa pola. Angkanya turun ke 0,11 dan 0,12 dari 0,45, sekaligus membuat dimensi dinamika jaringan meningkat.
Hasil pengujian yang dicapai
Sistem tersebut mampu mempelajari berbagai bentuk gelombang, mulai dari sinus dengan periode 4, 10, dan 30 detik, hingga gelombang segitiga dan kotak. Kultur yang sama juga bisa dilatih ulang untuk berosilasi pada frekuensi berbeda, yang menunjukkan adanya fleksibilitas pada jaringan biologis yang digunakan.
Berikut ringkasan kemampuan yang dilaporkan peneliti:
- Menghasilkan gelombang sinus dengan beberapa periode berbeda.
- Membentuk gelombang segitiga dan kotak.
- Dilatih ulang untuk frekuensi osilasi baru.
- Mengaproksimasi Lorenz attractor, yaitu lintasan chaos tiga dimensi.
Dalam tahap pembelajaran, sistem bahkan mencatat korelasi pasangan di atas 0,8 antara sinyal prediksi dan target di semua dimensi untuk Lorenz attractor. Bagi peneliti, ini memberi petunjuk bahwa jaringan neuron hidup dapat diperlakukan sebagai sumber komputasi yang berbeda dari chip silikon biasa.
Potensi untuk brain-machine interface
Hideaki Yamamoto, profesor di Research Institute of Electrical Communication, Tohoku University, menyebut dalam rilis institusi bahwa “living neuronal networks are not only biologically meaningful systems but may also serve as novel computational resources.” Pernyataan itu menegaskan arah riset yang ingin menjembatani biologi saraf, AI, dan rekayasa perangkat medis.
Meski menjanjikan, sistem ini masih punya keterbatasan penting. Saat pelatihan dihentikan dan jaringan dibiarkan berjalan sendiri, galat kuadrat rata-rata naik dalam 99 persen uji coba, menandakan performa turun tanpa umpan balik aktif.
Latensi sekitar 330 milidetik juga menjadi penghalang utama untuk mengikuti pola yang berubah cepat atau bertepi tajam. Peneliti menilai pengurangan jeda lewat perangkat keras khusus atau penyaringan alternatif bisa memperluas jenis sinyal yang dapat dipelajari jaringan ini.
Mengapa riset ini menarik untuk masa depan teknologi
Riset semacam ini membuka kemungkinan baru bagi brain-machine interface dan neuroprostetik, terutama jika jaringan biologis bisa dipadukan dengan sistem elektronik yang lebih cepat dan lebih stabil. Pendekatan itu juga memberi sudut pandang baru tentang komputasi, karena otak hidup tidak hanya dipelajari sebagai sistem saraf, tetapi juga sebagai kandidat pemroses informasi yang dapat dilatih untuk tugas tertentu.
