Rete neurale artificiale. L’apprendimento automatico, alla base delle reti neurali artificiali, ha permesso agli ingegneri biomedici di perfezionare e modellare delle variabili di calcolo complesse nei batteri ingegnerizzati. Tutto questo grazie ad un algoritmo specifico che consente di essere usato per molti sistemi biologici.
Il metodo, che accorda ai circuiti biologici di prevedere una modellazione complessa, rende possibile intuire, non solo il loro funzionamento interno, ma anche di avvertire le interazioni. Che diversamente, sarebbero allo stato attuale, troppo difficoltose da pronosticare.
In nuce, questo studio serve a capire come il campo della cibernetica, tramite un esame di reti neurali artificiali, possa riprodurre nei batteri ingegnerizzati, un tipo di processo che consente di intuire il loro funzionamento e la loro evoluzione.
Rete neurale artificiale: interconnessioni tra variabili complesse
A sviluppare il nuovo sistema di apprendimento automatico sono i ricercatori della Duke University.
Il criterio, quindi, plasma le interconnessioni tra le variabili complesse nei batteri progettati tramite ingegneria biomedica.
Gli scienziati hanno preparato una rete neurale che riesce a prevedere i modelli circolari creati da un circuito biologico incorporato in una coltura batterica.
Con grandissima soddisfazione, il rivoluzionario sistema computazionale ha funzionato 30MILA volte più velocemente del modello attuale.
Dunque, per migliorare la precisione del presente esemplare, il team ha ideato un parametro che serve per aggiornare l’apprendimento in più fasi; in modo da poter comparare di volta in volta quali sono i risultati e le risposte.
Quindi, lo hanno usato per risolvere un secondo sistema biologico; questi è esigente in maniera differente da un punto di vista computazionale, mostrando che l’algoritmo può funzionare per sfide disparate.
“Questo lavoro è stato ispirato da Google; che mostra che le reti neurali potrebbero imparare a battere un essere umano nel gioco da tavolo Go“. Ha dichiarato Lingchong You, professore d’ingegneria biomedica a Duke.
“Anche se il gioco ha regole semplici, ci sono troppe possibilità per un computer di calcolare in modo deterministico la migliore opzione successiva”. Afferma.
“Mi chiedevo se un simile approccio può essere utile per far fronte a determinati aspetti della complessità biologica di fronte a noi”.
Tra i ricercatori oltre Lingchong You, c’è anche Shangying Wang, socio post-dottorato.
Entrambi hanno studiato a tavolino i parametri che riprodurranno lo schema specifico di una cultura batterica, seguendo un circuito genetico ingegnerizzato.
Il sistema delle Variabili
In lavori precedenti, il laboratorio ha programmato batteri per produrre proteine che, secondo le specificità della crescita della cultura, interagiscono tra loro per formare anelli. Controllando variabili come la dimensione dell’ambiente di crescita e la quantità di nutrienti forniti, i ricercatori hanno scoperto di poter controllare lo spessore dell’anello; il tempo impiegato per apparire e altre caratteristiche.
Modificando un numero qualsiasi di dozzine di potenziali variabili, i ricercatori hanno scoperto che potevano fare di più; come causare la formazione di due o addirittura tre anelli. Ma poiché una singola simulazione al computer ha richiesto cinque minuti, è diventato poco pratico cercare un ampio spazio di progettazione per un risultato specifico.
Per il loro studio, il sistema consisteva di 13 variabili batteriche come i tassi di crescita, diffusione; degradazione delle proteine e movimento cellulare. Il solo calcolo di sei valori per parametro richiederebbe, a un singolo computer, più di 600 anni.
L’esecuzione su un cluster di computer parallelo con centinaia di nodi potrebbe ridurre il tempo di esecuzione a diversi mesi; ma l’apprendimento automatico può ridurlo a ore.
“Il modello che utilizziamo è lento perché deve tenere conto di passaggi intermedi nel tempo a un ritmo sufficientemente piccolo per essere accurato”. Ha affermato.
“Ma non ci preoccupiamo sempre dei passaggi intermedi. Vogliamo solo i risultati finali per determinate applicazioni. E possiamo (tornare a) capire i passaggi intermedi; se riteniamo interessanti i risultati finali.”
Per saltare ai risultati finali, Wang si è rivolto a un modello di apprendimento automatico chiamato rete neurale profonda; che può effettivamente compiere ordini di grandezza di previsione più velocemente del modello originale.
Rete neurale artificiale: i risultati dello studio di You e Wang
La rete prende le variabili del modello come input. Inizialmente assegna pesi e distorsioni casuali e sputa una previsione di quale modello si formerà la colonia batterica; saltando completamente i passaggi intermedi che conducono al modello finale.
Sebbene il risultato iniziale non sia vicino alla risposta corretta, i pesi e le distorsioni possono essere modificati; questo ogni volta che nuovi dati di allenamento sono immessi nella rete.
Dato un set sufficientemente ampio di “allenamento”, la rete neurale imparerà alla fine quasi a fare previsioni accurate.
Per gestire i pochi casi in cui l’apprendimento automatico sbaglia, You e Wang hanno trovato un modo per controllare rapidamente il loro lavoro. Per ogni rete neurale, il processo di apprendimento ha un elemento di casualità. In altre parole, non imparerà mai allo stesso modo due volte, anche se è addestrato sulla stessa serie di risposte.
I ricercatori hanno formato quattro reti neurali separate e confrontato le loro risposte per ogni domanda. Hanno scoperto che quando le reti neurali addestrate fanno previsioni simili, queste previsioni erano vicine alla risposta giusta.
“Abbiamo scoperto che non abbiamo dovuto convalidare ogni risposta con il modello computazionale standard più lento”, ha affermato You. “Invece abbiamo essenzialmente usato la” saggezza della folla “.
Con il modello di apprendimento automatico addestrato e corroborato, i ricercatori hanno deciso di usarlo per fare nuove scoperte sul loro circuito biologico. Nelle prime 100.000 simulazioni di dati utilizzate per addestrare la rete neurale, solo una ha prodotto una colonia batterica con tre anelli. Ma con la velocità della rete neurale, You e Wang non solo sono stati in grado di trovare molte più terzine; ma determinano quali variabili sono cruciali nel produrle.
Conclusioni
“La rete neurale è stata in grado di trovare modelli e interazioni tra le variabili che sarebbero altrimenti impossibili da scoprire”, ha detto Wang.
Come finale del loro studio, you e Wang hanno provato il loro approccio su un sistema biologico che funziona in modo casuale.
La risoluzione di tali sistemi richiede che un modello di computer ripeta più volte gli stessi parametri per trovare il risultato più probabile. Sebbene questa sia una ragione completamente diversa per lunghi tempi di esecuzione computazionale rispetto al loro modello iniziale; i ricercatori hanno scoperto che il loro approccio ha funzionato ancora, dimostrando che è generalizzabile a molti diversi sistemi biologici complessi.
Inoltre stanno ora cercando di utilizzare il loro nuovo approccio su sistemi biologici più complessi. Oltre a eseguirlo su computer con GPU più veloci, stanno cercando di programmare l’algoritmo per essere il più efficiente possibile.
“Abbiamo addestrato la rete neurale con 100.000 set di dati, ma potrebbe essere stato eccessivo”, ha detto Wang. “Stiamo sviluppando un algoritmo in cui la rete neurale può interagire con le simulazioni in tempo reale per accelerare le cose.”
“Il nostro primo obiettivo era un sistema relativamente semplice”, ha detto You. “Ora vogliamo migliorare questi sistemi di reti neurali per fornire una finestra sulle dinamiche sottostanti di circuiti biologici più complessi.”
Questo lavoro è stato supportato dall’Office of Naval Research (N00014-12-1-0631), dal National Institutes of Health (1R01-GM098642) e da una David e Lucile Packard Fellowship.Rete neurale artificiale.
Lettura consigliata. Neuroprotesi: dispositivi robotici e sistema nervoso.
Devi effettuare l'accesso per postare un commento.