[gpt3] أعد صياغة هذا المحتوى
في تجربة علمية جديدة تفتح آفاقًا أمام مستقبل الحوسبة الحيوية، كشف باحثون بجامعة بريستول البريطانية أن دمج 3 نماذج مصغرة من أنسجة الدماغ البشري المزروعة معمليًا يمكن أن يحسن القدرة على معالجة المعلومات والتعرف على الحروف بطريقة برايل، حيث وصلت دقة التصنيف إلى 83%، مقارنة بنحو 61% عند استخدام نموذج واحد فقط.
وتقدم النتائج اتجاهًا بحثيًا جديدًا يجمع بين الخلايا العصبية الحية والتكنولوجيا الإلكترونية، في محاولة لتطوير أنظمة حوسبة هجينة تستفيد من الخصائص الفريدة للشبكات العصبية البيولوجية، وفقًا للدراسة المنشورة في دورية Frontiers in Artificial Intelligence.
كيف استخدم العلماء نماذج الدماغ المصغرة في التجربة؟
اعتمد الباحثون على ما يعرف باسم «عضيات الدماغ» (Brain Organoids)، وهي تجمعات ثلاثية الأبعاد من الخلايا العصبية تُزرع داخل المختبر، وتحاكي بعض الخصائص البيولوجية للدماغ البشري، لكنها لا تمثل دماغًا كاملًا.
ويبلغ حجم كل عضية أقل من مليمتر واحد، وتحتوي على نحو 10 آلاف خلية عصبية، إلى جانب خلايا أخرى داعمة تساعد في تكوين الشبكات العصبية.
ووضع الفريق البحثي هذه العضيات على شرائح إلكترونية متعددة الأقطاب، تسمح بإرسال إشارات كهربائية إليها وتسجيل النشاط العصبي الناتج عنها، مع توفير الظروف اللازمة للحفاظ على حياة الخلايا.
تجربة قراءة برايل.. كيف تعرفت الخلايا العصبية على الحروف؟
استخدم الباحثون مستشعرًا لمسيًا مثبتًا على روبوت لالتقاط الأنماط البارزة التي تمثل الحروف الأبجدية الـ26 بطريقة برايل، ثم حُولت هذه المعلومات إلى أنماط من التحفيز الكهربائي أُرسلت إلى العضيات الدماغية.
وبعد استقبال الإشارات، سجل العلماء الاستجابات الكهربائية الصادرة عن الخلايا العصبية، ثم استخدموا خوارزميات التعلم الآلي لتحليل هذه الاستجابات وتصنيف الحروف والتعرف عليها.
وأظهرت النتائج أن استخدام عضية واحدة حقق دقة بلغت نحو 61% في التعرف على الحروف، بينما ارتفعت النسبة إلى 83% عند دمج الاستجابات الصادرة عن 3 عضيات معًا.
كما أظهرت التجربة أن دمج استجابات العضيات الثلاث ساعد على التعامل بصورة أفضل مع التشويش الاصطناعي في الإشارات، مقارنة باستخدام خوارزمية التعلم الآلي وحدها.
لماذا تفوقت 3 عضيات دماغية على واحدة؟
يرجح الباحثون أن هذا التحسن يرجع إلى الاختلافات الطبيعية بين العضيات، سواء في طريقة اتصال الخلايا العصبية أو نشاطها الكهربائي أو مراحل تطورها.
وقد تسمح هذه الاختلافات لكل عضية بتقديم استجابة عصبية مختلفة للمؤثر نفسه، ما يوفر عند دمجها مجموعة أكبر من المعلومات، ويساعد خوارزميات التعلم الآلي على تحسين دقة التصنيف.
هل تصبح خلايا الدماغ أساسًا لأجهزة الكمبيوتر المستقبلية؟
تدعم هذه النتائج مجال الحوسبة الحيوية الهجينة، الذي يستهدف دمج الأنسجة الحية مع المكونات الإلكترونية لتطوير أنظمة جديدة لمعالجة البيانات، وقد يفتح المجال مستقبلًا أمام تقنيات حوسبة تستفيد من كفاءة الشبكات العصبية البيولوجية.
ومع ذلك، لا تعني التجربة أن العضيات تعلمت قراءة برايل أو أنها تمتلك وعيًا أو قدرات إدراكية بشرية، وإنما أظهرت قدرتها على استقبال أنماط من الإشارات الكهربائية وإنتاج استجابات عصبية يمكن تحليلها وتصنيفها.
ويأمل الباحثون في تطوير هذه التقنية مستقبلًا لاختبار أنواع أخرى من المعلومات الحسية، مثل الملمس والأشكال والحواف، إلى جانب دراسة إمكانية استخدام التغذية الراجعة لتحسين استجابة العضيات للمؤثرات المختلفة.
أعد صياغة المقال بشكل احترافي ككاتب بشري بحيث لا يكون هناك تشابه مع النص الاصلي مع ازالة النقطة من نهاية الجمل في فقرة المقدمة واستبدالها بالفاصلة مع جعل النقطة في نهاية الفقرة قم بوضع النقطة في نهاية كل سطر من النقاط ،
نجح باحثون من جامعة بريستول البريطانية في تحقيق قفزة نوعية تمهد الطريق لمستقبل الحوسبة الحيوية، حيث كشفت تجربتهم أن دمج ثلاثة نماذج مصغرة من أنسجة الدماغ البشري المستزرعة معمليًا يساهم في رفع كفاءة معالجة البيانات والتعرف على رموز لغة برايل، لتصل دقة التصنيف إلى 83% مقابل 61% فقط عند الاعتماد على نموذج واحد
وتطرح هذه النتائج رؤية بحثية مبتكرة تمزج بين الخلايا العصبية الحية والتقنيات الإلكترونية المتقدمة، وذلك بهدف ابتكار أنظمة حوسبة هجينة تستثمر القدرات الاستثنائية للشبكات العصبية البيولوجية، وذلك بحسب ما ورد في الدراسة التي نشرتها دورية Frontiers in Artificial Intelligence
كيف استخدم العلماء نماذج الدماغ المصغرة في التجربة؟
ارتكز العمل العلمي على استخدام ما يسمى بـ “عضيات الدماغ” أو Brain Organoids، وهي عبارة عن تجمعات خلوية ثلاثية الأبعاد من الأعصاب يتم استزراعها مختبريًا لتمثيل بعض الخصائص الحيوية للدماغ البشري دون أن تشكل دماغًا كاملاً
وتتميز هذه العضيات بحجم دقيق يقل عن مليمتر واحد، كما تضم في تكوينها حوالي 10 آلاف خلية عصبية مدعومة بخلايا أخرى تساهم في بناء وتطوير الشبكات العصبية
وقد قام الفريق بتثبيت هذه العضيات على شرائح إلكترونية ذات أقطاب متعددة، لتمكينهم من إرسال نبضات كهربائية دقيقة ورصد النشاط العصبي الناتج عنها، مع ضمان توفير البيئة الحيوية اللازمة لبقاء الخلايا على قيد الحياة
تجربة قراءة برايل.. كيف تعرفت الخلايا العصبية على الحروف؟
بدأت التجربة باستخدام مستشعر لمسي مثبت على ذراع روبوتية لالتقاط النقاط البارزة التي تمثل الحروف الـ 26 في أبجدية برايل، ثم تحويل هذه البيانات الملموسة إلى أنماط من التحفيز الكهربائي التي تم توجيهها مباشرة نحو العضيات الدماغية
وفور استقبال تلك الإشارات، عمل العلماء على تسجيل كافة الاستجابات الكهربائية الصادرة من الخلايا العصبية، ومن ثم توظيف خوارزميات التعلم الآلي المتقدمة لتحليل هذه البيانات وتصنيف الحروف بدقة
| نموذج التشغيل | دقة التعرف على الحروف |
|---|---|
| عضية دماغية واحدة | 61% |
| دمج 3 عضيات دماغية | 83% |
وكشفت النتائج أيضًا أن التكامل بين استجابات العضيات الثلاث أدى إلى تفوق ملحوظ في التعامل مع التشويش الاصطناعي الذي قد يصيب الإشارات، وهو ما يتجاوز قدرة خوارزميات التعلم الآلي عند العمل بشكل منفرد
لماذا تفوقت 3 عضيات دماغية على واحدة؟
يعزو الباحثون هذا التفوق إلى وجود تباينات طبيعية بين العضيات، سواء من حيث نمط اتصال الخلايا العصبية ببعضها، أو طبيعة نشاطها الكهربائي، أو حتى مراحل تطورها البيولوجي
وتسمح هذه الاختلافات لكل عضية بإصدار استجابة عصبية فريدة تجاه نفس المؤثر، مما يمنح النظام عند دمجها قاعدة بيانات أوسع وأشمل، وهذا بدوره يعزز من قدرة خوارزميات التعلم الآلي على تحسين دقة تصنيف المعلومات
هل تصبح خلايا الدماغ أساسًا لأجهزة الكمبيوتر المستقبلية؟
تفتح هذه النتائج آفاقاً رحبة في مجال الحوسبة الحيوية الهجينة، التي تسعى لدمج الأنسجة العضوية الحية مع المكونات الإلكترونية لخلق أنظمة ثورية في معالجة البيانات، مما قد يمهد الطريق لظهور أجهزة حاسوب تستمد قوتها من كفاءة الشبكات العصبية البيولوجية
ومع ذلك، يجب التأكيد على أن هذه التجربة لا تعني أن العضيات قد تعلمت القراءة فعلياً أو أنها اكتسبت وعياً وإدراكاً بشرياً، بل أثبتت فقط قدرتها على استقبال أنماط كهربائية معينة وتحويلها إلى استجابات عصبية قابلة للتحليل والتصنيف
ويتطلع الفريق البحثي إلى تطوير هذه التقنية في المستقبل لاختبار أنواع متنوعة من البيانات الحسية، مثل ملامس الأشياء وأشكالها وحوافها، مع دراسة إمكانية دمج أنظمة التغذية الراجعة لرفع كفاءة استجابة العضيات للمؤثرات المختلفة
