HIVE ble presentert på den første internasjonale konferansen for organoid intelligens, som ble arrangert i Washington 26. og 27. oktober. Systemet består av 15 CL1-enheter, der laboratoriedyrkede menneskelige hjerneceller brukes til å løse oppgaver og lære.

Cortical Labs mener at flere biologiske datamaskiner kan løse oppgaver bedre sammen enn én enkelt nervecellekultur. Selskapet beskriver tilnærmingen som en form for kollektiv intelligens, der nevronene i de sammenkoblede systemene begynner å fordele arbeidet mellom seg.

Nevronene fordelte oppgavene selv

Et større antall hjerneceller gir ikke automatisk et bedre resultat. I HIVE ser det imidlertid ut til at CL1-systemene delte ulike deler av oppgaven mellom seg og fant en mer effektiv vei mot målet.

Forskerne hadde ikke lært cellene denne arbeidsdelingen på forhånd. Ifølge selskapet oppsto den av seg selv da nevronene ble koblet inn i et større nettverk.

«Biologisk databehandling har et enormt potensial, men nyttige systemer kan ikke være avhengige av at én kultur fungerer perfekt hver gang», sa Cortical Labs’ medgründer og administrerende direktør Brett Kagan.

Kagan sammenlignet prinsippet med hvordan naturen løser komplekse problemer gjennom samarbeid. Hjernen fordeler informasjon mellom spesialiserte områder, mens mange bier med ulike oppgaver bidrar til et felles resultat i en bikube. Ifølge Kagan forsøker HIVE å overføre dette prinsippet til biologisk databehandling og utvikle systemer som kan være mer konsistente, robuste og kapable enn én enkelt nervecellekultur.

Mer stabil ytelse

En representant for selskapet sier at fordelen med HIVE ikke bare handler om skalering, men også om stabilitet. Siden systemene består av levende celler, kan én gruppe nerveceller fungere svært godt én dag og være mindre aktiv en annen dag.

«Samarbeid mellom separate informasjonsbehandlende systemer av nevroner er ikke noe nytt i naturen, men nå har vi en skala som kan overskride fysiologiske begrensninger. Det muliggjøres av kontrollen, skalaen og maskinvareintegrasjonen i Cortical Labs’ CL1-plattform», sa representanten.

Ved å koble sammen flere grupper kan belastningen fordeles, slik at ytelsen blir jevnere. Systemet skal også kunne fortsette å fungere dersom én av gruppene slutter å reagere.

I en test for symbolgjenkjenning økte nøyaktigheten fra rundt 80 til 99 prosent da sju biologiske datamaskiner ble koblet sammen, opplyser Cortical Labs.

Bedre enn DQN i rutenettest

I et annet eksperiment styrte HIVE en virtuell figur gjennom et rutenett for å finne et bestemt mål. Forskerne sammenlignet systemet med Deep Q Network, eller DQN, en tradisjonell KI-modell som bruker algoritmer i stedet for hjerneceller.

DQN oppnådde rundt 32 prosent av den maksimalt mulige poengsummen. Den beste enkeltstående biologiske datamaskinen fra Cortical Labs nådde 40 prosent. Da flere biologiske datamaskiner sammen bestemte figurens neste trekk, økte resultatet til rundt 70 prosent.

Da oppgaven i tillegg ble fordelt mellom spesialiserte grupper for biologisk databehandling, nådde systemet rundt 80 prosent.

Forskerne understreker at resultatene er foreløpige. De avhenger av hvordan eksperimentet er utformet og av hvilken KI-modell HIVE blir sammenlignet med. Cortical Labs mener likevel at dataene viser potensialet i kollektive nevrale nettverk, ikke bare i bruken av enkeltstående biologiske datamaskiner.

Skal undersøke signalene mellom enhetene

Det neste målet er å finne ut hvordan nevronene i de sammenkoblede enhetene utveksler signaler og behandler tilbakemeldinger. Forskerne skal også undersøke om flere forbindelser kan forbedre resultatene ytterligere.

Cortical Labs-forskeren Johnson Zhou påpekte at én kultur kan fungere spesielt godt på en bestemt dag, mens en annen kan prestere svakere.

«Når kulturene arbeider sammen, påvirker disse individuelle forskjellene sluttresultatet mindre. HIVE gjør det mulig å håndtere denne variasjonen, samtidig som vi utnytter tilpasningsevnen som gjør biologiske systemer så kraftige», sa han.

Selskapet mener dessuten at en slik arkitektur kan bli en mer energieffektiv måte å bruke maskinlæring på. Studien ble presentert under konferansen for organoid intelligens i Washington.