Zespół Masayuki Ushio z japońskiego Uniwersytetu w Kioto użył jednokomórkowych organizmów – orzęsek Tetrahymena thermophile – do obliczeń. Tym samym orzęski stały się częściami biologicznej maszyny liczącej.
Badacze rozpoczęli eksperyment od umieszczenia kolonii T. termophile w pojemniku z przezroczystym dnem. Następnie wstawili pojemnik pod mikroskop. Podłączony aparat fotograficzny robił zdjęcia kolonii orzęsków co minutę. Komputer zaś automatycznie je zliczał.
Seria takich eksperymentów wykazała, że w danej temperaturze kolonie orzęsków zachowują się zawsze tak samo, a ich reakcja na zmiany temperatury jest przewidywalna. To cechy definiujące układy deterministyczne, na których można wykonywać obliczenia.
Dane do tego żywego komputera wprowadzano w postaci ustawienia w pojemniku konkretnej temperatury. Liczba orzęsków po określonym czasie była zaś wynikiem. W ten sposób mierzące 0,1 mm długości mikroorganizmy stały się węzłami sieci neuronowej, a ich liczba – wynikiem jej działania.
Orzęski liczą połowy ryb
Wprowadzane (w postaci temperatury) dane dotyczyły ilości połowów przez rybackie kutry. Ilość wyłowionych ryb ma wpływ na liczebność kolejnych pokoleń danego gatunku, co badacze zamierzali wyliczyć za pomocą orzęsków. Kolonie T. termophile wykorzystano do prognozowania danych na 15 do 30 kroków obliczeniowych naprzód.
Wyliczenia (w postaci liczebności orzęsków) były w kilku przypadkach dokładniejsze niż niektórych komputerowych modeli, mówi Ushio. Zależało to od długości prognozy – orzęski były celniejsze w pewnej konkretnej liczbie „kroków naprzód”. W większości jednak miały mniejszą dokładność niż oprogramowanie wyliczające prognozę na tradycyjnym komputerze.
Praca opisująca całe doświadczenie nie została jeszcze opublikowana. Ushio zamieścił jej preprint, czyli wersję przed recenzją przez innych naukowców, na serwerze bioRxiv.
Układem obliczeniowym mogą być nie tylko żywe organizmy
To, że żywe organizmy mogą posłużyć do wykonywania obliczeń, nie jest co do zasady niczym dziwnym.
Sieci neuronowe to rodzaj komputerowych programów, które przetwarzają dane w sposób nieco przypominający działanie neuronów. Elementy obliczeniowe takiej sieci, zwane węzłami, są ze sobą połączone. Przesyłają sygnał dopiero wtedy, gdy wartość danych na wejściu przekroczy pewien próg. Taki próg ustalany jest w procesie trenowania sieci na wielu (czasem milionach) przykładów.
Dzięki temu sieci neuronowe mogą nauczyć się rozpoznawać, co znajduje się na zdjęciu. Uławiają też pracę chemikom i inżynierom, projektując na przykład nowe leki lub materiały o pożądanych własnościach. Mogą też trafnie przewidzieć, gdzie i kiedy będzie padał deszcz, co jest trudne nawet dla superkomputerów.
Do uczenia sieci neuronowych można też wykorzystać sposób zwany „reservoir computing”. Metoda polega na wprowadzeniu danych do sieci obliczeniowej (zwanej rezerwuarem, stąd reservoir) o strukturze losowej i stałej sile połączeń między węzłami sieci.
Jeśli rezerwuar okaże się dobrym modelem obliczeniowym, można potem nauczyć komputerową sieć neuronową, żeby przewidywała zachowanie rezerwuaru. Pozwala to uniknąć uczenia jej na setkach tysięcy lub milionach przykładów.
Mogą nim być dowolne układy, które przetworzą dane, w tym biologiczne. W tym wypadku jako rezerwuar posłużyły właśnie kolonie orzęsków.
Źródło: New Scientist, bioRxiv