مقاله پردازش عصبی تجسم‌یافته: چارچوبی برای واسطه‌گری کشت‌های عصبی زیستی با اعتبارسنجی مقیاس‌پذیر مبتنی بر وظیفه

شبکه‌های عصبی زیستی (BNNs) به عنوان بستری قدرتمند و سازگار شناخته شده‌اند که پتانسیل پردازش اطلاعات با بهره‌وری فوق‌العاده انرژی و داده را با مکانیسم‌های یادگیری متمایز ارائه می‌دهند. با این حال، چالش اصلی در استفاده از BNN برای محاسبات عصبی، تعیین بهینه‌ترین مکانیسم‌های رمزگذاری و رمزگشایی بین رابط محاسباتی سنتی سیلیکونی و زیست زنده است. در این مقاله، ما یک چارچوب محاسبات عصبی تجسم‌یافته (Embodied Neurocomputation) را به عنوان یک رویکرد سیستمی برای این مسئله بهینه‌سازی چند متغیره رمزگذاری/رمزگشایی پیشنهاد می‌کنیم. ما این رویکرد را از طریق اولین بهینه‌سازی پارامتر در مقیاس بزرگ برای پیکربندی‌های رمزگذاری یک عامل BNN که ناوبری حلقه بسته را در امتداد یک گرادیان بویایی در یک دنیای شبکه‌ای شبیه‌سازی شده انجام می‌دهد، عملیاتی می‌کنیم. علی‌رغم سادگی نسبی وظیفه، تعاملات بیولوژیکی منجر به فضای جستجوی ترکیبی عظیم برای پارامترهای بهینه شد. با در نظر گرفتن نحوه اتصال و پارامتردهی اجزای سیستم، ما تقریباً 1300 ترکیب پارامتر را در طول بیش از 4000 ساعت تعامل عامل-محیط در زمان واقعی ارزیابی کردیم تا 12 پیکربندی را شناسایی کنیم که به طور مداوم یادگیری را در چندین اپیزود نشان دادند. این پیکربندی‌ها به طور قابل توجهی عملکرد بالاتری را نسبت به عوامل DQN مبتنی بر سیلیکون بهینه‌شده تحت بودجه تعاملی یکسان به دست آوردند. این یافته‌ها گامی اولیه به سوی یادگیری هدفمند قوی و مقیاس‌پذیر با استفاده از BNNها محسوب می‌شوند. چارچوب ما پایه‌ای برای اعمال محاسبات عصبی مبتنی بر وظیفه ایجاد می‌کند و از توسعه معیارهای استاندارد در این حوزه پشتیبانی می‌کند. در بلندمدت، این کار از توسعه معماری‌های ترکیبی زیستی-سیلیکونی قادر به محاسبات کارآمد، سازگار و در زمان واقعی، از جمله پتانسیل برای کاربردهای کنترل رباتیک، پشتیبانی می‌کند.

Biological neural networks (BNNs) have been established as a powerful and adaptive substrate that offer the potential for incredibly energy and data efficient information processing with distinct learning mechanisms. Yet a core challenge to utilizing BNN for neurocomputation is determining the optimal encoding and decoding mechanisms between the traditional silicon computing interface and the living biology. Here, we propose an Embodied Neurocomputation framework as a systems-level approach to this multi-variable optimization encoding/decoding problem. We operationalize this approach through the first large-scale parameter optimization of encoding configurations for a BNN agent performing closed-loop navigation along an odor-style gradient in a simulated grid-world. Despite the relative simplicity of the task, the biological interactions gave rise to a massive multi-combinatorial search space for optimal parameters. By considering how the components of the system are interconnected and parameterized, we evaluated approximately 1,300 parameter combinations, over 4,000 hours of real-time agent-environment interactions, to identify 12 configurations that consistently demonstrated learning across multiple episodes. These configurations achieved significantly higher task performances than optimized silicon-based DQN agents under the same interaction budget. These findings represent an initial step toward robust and scalable goal-oriented learning using BNNs. Our framework establishes a foundation for applying task-driven neurocomputing and supports the development of field-wide benchmarks. In the long term, this work supports the development of hybrid bio-silicon architectures capable of efficient, adaptive and real-time computation, including the potential for robotic control applications.