Перспективы развития России
25,414,489
130,903
|
DeC ( Профессионал ) |
| 02 мар 2024 00:49:25 |
В Курчатовском институте создают самообучающуюся систему для нейропротезирования спинного мозга
новая дискуссия Новость 332
01 марта 2024
Ученые Курчатовского института совместно с коллегами из Казанского федерального университета разработали модель, которую можно использовать для создания нейропротезов для пациентов с повреждением спинного мозга. Схема, основанная на мемристорах, способна к самообучению.
Группа ученых Курчатовского комплекса НБИКС-природоподобных технологий работает над созданием устройств на основе мемристоров — аналоговых микроэлектронных компонентов, способных имитировать синаптическую пластичность, которой обладают нейроны мозга. Это свойство заключается в том, что синапс — контакт между нейронами — передает сигнал от одной клетки к другой с разной эффективностью. Например, при запоминании информации связи между нейронами укрепляются, и передача импульсов между ними усиливается.
Исследователи записали активность "ансамблей" нервных клеток, связанных друг с другом в модельной нейронной сети, регулирующей аналог моторной активности одной из конечностей животного. После разрыва синаптической связи между группами этих нейронов контакты-синапсы были заменены мемристорами, которые "обучили" проводить сигналы с определенной пропускной способностью.
Как пояснили ученые Курчатовского комплекса НБИКС-природоподобных технологий, полимерные электрохимические мемристоры, над которыми они работают, изменяют свое сопротивление в зависимости от величины прошедшего через него ионного заряда. Под действием внешней электрической стимуляции и обратного сенсорного отклика от моделируемой конечности устанавливается нужное значение сопротивления: чем интенсивнее входной сигнал, тем выше пропускная способность синапса, то есть "вес" сигнала.
Стимулирующие сигналы выбираются таким образом, чтобы добиться необходимой проводимости в определенных участках нейронной сети. Это становится возможно благодаря тому, что скорость, с которой используемые органические мемристоры на основе проводящего полимера полианилина изменяют свое сопротивление, соответствует характерным параметрам (частоте и длительности) сигналов от биологических нейронов.
Модель имитации нейронной сети для управления ходьбой ученые Курчатовского института разработали несколько лет назад, но первоначально это была запрограммированная система, не способная к "обучению".
— Созданная нами модель способна самообучаться, то есть адаптироваться к тем сенсорным откликам, которые генерирует моделируемая конечность животного при нормальной ходьбе, — рассказала Мария Серенко, лаборант-исследователь группы нейроморфных систем лаборатории технологий искусственного интеллекта НИЦ "Курчатовский институт". — В симуляции мы использовали такой "внешний" стимулирующий сигнал, чтобы мемристоры, получая также обратную "внутреннюю" сенсорную связь от касаний стопы животного при нормальной ходьбе, устанавливали сопротивление, поддерживающее этот паттерн обычной ходьбы уже без внешней стимуляции.
В процессе "обучения" ученым удалось добиться от мемристоров проводимости, обеспечивающей естественную передачу сигнала так, будто между группами нейронов не было разрыва.
По словам исследователей, в будущем на основе такого же принципа можно будет создать адаптивный нейропротез с мемристивными синапсами, который возьмет на себя роль поврежденного участка спинного мозга. Такой протез устанавливался бы на спинной мозг и получал сигналы от стимуляции и динамическую обратную сенсорную связь от неповрежденных конечностей. В процессе получения такого обратного отклика устройство будет способно самонастраиваться и адаптироваться под конкретные моторные навыки пациента.
Самообучаемые мемристивные устройства помогут вернуть людям с повреждением спинного мозга естественную двигательную активность. При этом вполне возможно, что нейронный протез позволит не только восстановить моторные навыки, но и приобрести новые (например, не просто снова начать ходить, но и научиться танцевать).
В настоящее время ученые Курчатовского института работают над тестированием разработки в новых модельных условиях, еще более приближенных к реальным.
Источник
Ученые Курчатовского института совместно с коллегами из Казанского федерального университета разработали модель, которую можно использовать для создания нейропротезов для пациентов с повреждением спинного мозга. Схема, основанная на мемристорах, способна к самообучению.
Группа ученых Курчатовского комплекса НБИКС-природоподобных технологий работает над созданием устройств на основе мемристоров — аналоговых микроэлектронных компонентов, способных имитировать синаптическую пластичность, которой обладают нейроны мозга. Это свойство заключается в том, что синапс — контакт между нейронами — передает сигнал от одной клетки к другой с разной эффективностью. Например, при запоминании информации связи между нейронами укрепляются, и передача импульсов между ними усиливается.
Исследователи записали активность "ансамблей" нервных клеток, связанных друг с другом в модельной нейронной сети, регулирующей аналог моторной активности одной из конечностей животного. После разрыва синаптической связи между группами этих нейронов контакты-синапсы были заменены мемристорами, которые "обучили" проводить сигналы с определенной пропускной способностью.
Как пояснили ученые Курчатовского комплекса НБИКС-природоподобных технологий, полимерные электрохимические мемристоры, над которыми они работают, изменяют свое сопротивление в зависимости от величины прошедшего через него ионного заряда. Под действием внешней электрической стимуляции и обратного сенсорного отклика от моделируемой конечности устанавливается нужное значение сопротивления: чем интенсивнее входной сигнал, тем выше пропускная способность синапса, то есть "вес" сигнала.
Стимулирующие сигналы выбираются таким образом, чтобы добиться необходимой проводимости в определенных участках нейронной сети. Это становится возможно благодаря тому, что скорость, с которой используемые органические мемристоры на основе проводящего полимера полианилина изменяют свое сопротивление, соответствует характерным параметрам (частоте и длительности) сигналов от биологических нейронов.
Модель имитации нейронной сети для управления ходьбой ученые Курчатовского института разработали несколько лет назад, но первоначально это была запрограммированная система, не способная к "обучению".
— Созданная нами модель способна самообучаться, то есть адаптироваться к тем сенсорным откликам, которые генерирует моделируемая конечность животного при нормальной ходьбе, — рассказала Мария Серенко, лаборант-исследователь группы нейроморфных систем лаборатории технологий искусственного интеллекта НИЦ "Курчатовский институт". — В симуляции мы использовали такой "внешний" стимулирующий сигнал, чтобы мемристоры, получая также обратную "внутреннюю" сенсорную связь от касаний стопы животного при нормальной ходьбе, устанавливали сопротивление, поддерживающее этот паттерн обычной ходьбы уже без внешней стимуляции.
В процессе "обучения" ученым удалось добиться от мемристоров проводимости, обеспечивающей естественную передачу сигнала так, будто между группами нейронов не было разрыва.
По словам исследователей, в будущем на основе такого же принципа можно будет создать адаптивный нейропротез с мемристивными синапсами, который возьмет на себя роль поврежденного участка спинного мозга. Такой протез устанавливался бы на спинной мозг и получал сигналы от стимуляции и динамическую обратную сенсорную связь от неповрежденных конечностей. В процессе получения такого обратного отклика устройство будет способно самонастраиваться и адаптироваться под конкретные моторные навыки пациента.
Самообучаемые мемристивные устройства помогут вернуть людям с повреждением спинного мозга естественную двигательную активность. При этом вполне возможно, что нейронный протез позволит не только восстановить моторные навыки, но и приобрести новые (например, не просто снова начать ходить, но и научиться танцевать).
В настоящее время ученые Курчатовского института работают над тестированием разработки в новых модельных условиях, еще более приближенных к реальным.
Источник
ОТВЕТЫ (0)
Комментарии не найдены!