Neurobiologia i ciència

Hi ha qui somnia en baixar-se la pròpia consciència a un ordinador, i seguir visquent dins d’un món virtual simulat. Doncs caram. Proppassada la publicació de la novel·la de ciència ficció “Snow crash” de’n Neal Stephenson, poc costa d’imaginar-se’n un, de món virtual. I complint amb la dita que els enginyers inventen el que van veure de petits (així com el telèfon mòbil és el tricordi de l’Spok d’Star Trek), doncs Meta–és a dir, Facebook–vol crear el “metaverse”: l’univers virtual. La intenció, però, és ben clara: crear espais virtuals per vendre’ls i que es paguin amb diners de veritat. L’última enganyifa de la guineu. Tot plegat, un disbarat.

Però darrere d’un objectiu tan poc versemblant hi rau quelcom d’interessant: el dilema antiquíssim entre el cervell i la ment. En qüestions d’ordinadors, els conceptes anàlegs foren la màquina i el programari. Si els circuits neuronals processen la informació recollida pels nostres òrgans sensorials–els ulls, el nas, la llengua, la pell, les orelles i d’altres–, i la classifiquen i desen, i després la recuperen quan surt l’avinentesa, com funciona, tot plegat? Als ordinadors hi trobem unitats de memòria separades de les unitats de processament, però al cervell tot són neurones: cèl·lules connectades per sinàpsis. I també la glia, un segon tipus de cèl·lula amb tot de propietats interessants i, de fet, encara relativament poc estudiades. Al cervell, la separació entre memòria i processament ni és clara ni és, potser, necessària.

La qüestió que escau, doncs, és determinar on s’acaba el substrat biològic (les neurones) i a on comença l’abstracció algorítmica, és a dir, la computació. Perquè si es pot trobar aquest separació, si existeix, aleshores és evident que podríem enginyar-nos un substrat alternatiu, basat per exemple amb els transistors de silici que hui s’utilitzen com a peces dels ordinadors.

Dues línies de recerca independents són aquí ben rellevants. Per una banda, el substrat: l’enginyeria neuromòrfica sortida de l’escola d’en Carver Mead, i col·laboradors a CalTech als anys vuitanta. La primera fita significativa sorgí de na Misha Mahowald i en Rodney J. Douglas, qui publicaren el 1991 un article descrivint un model de neurona implementat amb transistors (“A silicon neuron”, Mahowald & Douglas 1991), on la idea principal és la emulació del voltatge de membrana d’una neurona amb les propietats dels transistors de fer de barrera semipermeable als electrons. D’aleshores ençà, aquest camp de coneixement ha crescut moltíssim, i avui en dia es dissenyen al laboratori tot de xips plens de neurones neuromòrfiques. Les seves propietats, sobretot relacionades amb l’alta capacitat de computació a baix cost (talment com si fossin biològiques), són ben apreciades, i de fet són la base d’alguns superordinadors moderns com el Neurogrid dissenyat i construït per en Kwabena Boahen i col·laboradors a la Universitat de Stanford.

S’hi han trobat, per ara, dues aplicacions a aquests xips neuromòrfics. Per una banda, es programen per a simular sensors com la retina, fet per l’equip de’n Tobi Delbruck [1]. Se n’han fet també còclees artificials per a implants en humans afectats de sordesa, i tot d’aplicacions industrials que es beneficien de la presa d’imatges a altíssima velocitat i en un format prou curiós: no pas imatges sinó col·leccions d’esdeveniments per píxels en intervals de temps, talment com a les nostres retines, cosa que facilita moltíssim el processament de la informació visual.

Per l’altra banda, aquests xips neuromòrfics són ideals per a simulacions de circuits neuronals. En simulacions per ordinador, hom ha d’escollir uns límits en la precisió de la simulació. En canvi, en xip, la precisió recau en la granularitat dels electrons mateixos que travessen el material semiconductor dels transistors, i aquesta és molt més gran. Els neurobiòlegs, en col·laboració amb enginyers, han començat a explorar les propietats dels circuits neuronals ja mapats emulant-los amb xips neuromòrfics. Per exemple, els circuits de l’olfacte i la memòria associativa d’una larva de la mosca del vinagre, la Drosophila, que el meu equip de recerca ha mapat aquests darrers anys (Berck, Khandelwal et al. 2016 eLife; Eichler, Li, Litwin-Kumar et al. 2017). En comparant la simulació (en programari que s’executa amb un ordinador) amb l’emulació en xips neuromòrfics, els científics podem estudiar, entre d’altres coses, què és perd i què es guanya quan els models de neurones i circuits es simplifiquen (Jürgenssen et al. 2022).

La segona línia de recerca investiga les computacions que fan els circuits neuronals biològics. El camp és ben ample i atrau científics d’arreu i amb coneixements i eines ben diverses, perquè, tot sigui dit, la qüestió és d’una complexitat enorme. D’una banda, s’ha aconseguit entendre què fan, és a dir, quina funció matemàtica implementen, grups ben petits de neurones connectades formant uns circuits ben particulars i petits on només s’hi inclouen 3 neurones: el que se’n diu un motiu de xarxa (“network motif”). Conectant-ne molts, de motius, junts, resulta en un desgavell gairebé incomprensible, tot i que algun avenç hi ha hagut quan s’han conectat motius repetits del tipus “winner take all”, aconseguint de composar autòmates finits (“finite-state machine”) capaços de composar un sistema d’emmagatzemament de memòria [2]. D’altra banda, les xarxes neuronals artificials construïdes a partir de la base del perceptró [3] i que, després de molts redissenys, han resultat, de forma empírica, d’una utilitat extraordinària per a tota mena de versions del ben antic problema de destriar el gra de la palla: interpretar el contingut d’una imatge o percepció sensorial qualsevol per a classificar-ne les parts i identificar-ne les que s’hi volen trobar–per exemple, comptar persones en una fotografia d’un carrer.

El que ens feia falta, però, és quelcom diferent: tinguent un circuit d’una estructura definida i coneguda, com fer que computi una funció donada, arbitrària? És a dir, definir un programari per a circuits neuronals, talment com els nostres telèfons mòbils disposen d’un sol xip però hi fem anar apps ben diverses.

Doncs bé, recentment s’ha aconseguit un resultat espectacular: poder programar un circuit neuronal en simulació. Jason Kim i Danielle Bassett de la Universitat de Pennsylvania als Estats Units han publicat els seus resultats [4] explicant com han construït un llenguatge de programació per a les xarxes neuronal recurrents o “RNN” (de les inicials en anglès). Aquest llenguatge és prou peculiar, i bé que ho ha de ser, tinguent en compte el substrat de computació! Però és molt potent: fins i tot pot simular-se a sí mateix. És a dir, el programari permet d’implementar simulacions de xarxes neuronals recurrents que, és clar, es poden programar amb el mateix programari: talment com una matrioixca on cada nina en conté, a dins, una altra.

Programari (a) per a què les senyals de sortida d’una xarxa neuronal recurrent resultin en, donades unes matrius de dades d’entrada o “inputs” (b), les operacions de suma (c), resta (d), multiplicació (e) i multiplicació de matrius (f). Orígen: figura 2 de Kim & Bassett, 2022.

Una unitat neuronal de processament (NPU, en anglès) que computa la transformació afí de les dades d’entrada (g). Encadenant dues NPUs de manera que la sortida d’una sigui l’entrada de l’altra, s’aconsegueix que es computin els mínims quadrats lineals (“linear least squares”). I fent que la sortida d’una NPU sigui part de les entrades (h) s’aconsegueix una computació que soluciona l’equació de Lyapunov que resol el problema de controlabilitat, és a dir, d’estabilitat del sistema. Més endavant, els autors demonstren com, solucionat el problema d’estabilitat donades unes dades d’entrada en concret, es pot utilitzar per a emmagatzemar dades, codificades en els estats possibles del sistema. Orígen: figura 2 de Kim & Bassett, 2022.

A més a més de poder programar una xarxa neuronal recurrent, els autors ens demostren com utilitzar aquestes darreres per a construir portes lògiques (“logic gates”). Amb aquestes, podem dissenyar un ordinador convencional, no pas diferent que el que fas servir ara mateix per a llegir aquest article. En efecte: s’ha descobert com implementar un ordinador fent servir no pas xips de silicona sinó xarxes neuronals recurrents. Si aquestes darreres són simulades, o en xips neuromòrfics, o bé biològiques, tant és.

Portes lògiques implementades utilitzant combinacions de xarxes neuronals recurrents. Aquestes portes són les peces fonamentals constituents dels xips d’ordinador. Orígen: figura 5 de Kim & Bassett, 2022.

La troballa no surt pas del no res, sinó que es fonamenta en els molts anys d’estudi dels “reservoir computers”, els més famosos essent potser les “liquid-state machines”. (Sorprenentment, no hi ha entrades en català a la viquipèdia per aquests conceptes.) Breument: una colla de nodes, cada un representant una neurona simulada (virtual), es connecten de forma recurrent, és a dir, fent circuits tancats on les senyals de sortida tornen, transformades, a la neurona que les emet, passant per altres neurones del circuit. Cada circuit recurrent implementa una funció no lineal. I teorèticament, és possible d’implementar qualsevol funció combinant una colla prou gran d’aquests circuits recurrents menuts.

Aquesta descoberta ens té, a molts de nosaltres que som neurobiòlegs, entusiasmats. Per primera vegada ens podem imaginar com és possible que els circuits del cervell humà, sobretot els circuits de les voltes cerebrals del neocòrtex, d’una estructura prou similar però repetida milions de vegades, pugui ésser responsable de la gran diversitat de capacitats i comportaments, des de inventar llenguatges fins a nedar, construir cases dalt d’un arbre, abraçar-nos o recitar poesia. Al capdavall, el neocòrtex consisteix en una colla de xarxes neuronals recurrents interconnectades, i això és tot el que ens cal per a construir, i també per a simular, un ordinador. Si en descobrim el programari, si és que aquest darrer existeix, potser ens podríem enginyar com copiar-nos-el i fer-lo anar en altres substrats computacionals. Per a què, no ho sabem pas, però poder-ho fer és una gran fita, i qui sap a on ens durà. Molt probablement ens ajudarà a entendre com funciona el cervell humà i com se surt de mesura quan està malalt, i quines intervencions podrien, potser, adobar-lo.

1. Vegeu P Lichtsteiner, C Posch, T Delbruck, 2008. A 128× 128 120 dB 15 μs latency asynchronous temporal contrast vision sensor. Solid-State Circuits, IEEE Journal of 43 (2), 566-576. I també un de molt més primerenc: “Silicon retina with correlation-based, velocity-tuned pixels”. T Delbruck 1993. IEEE Transactions on neural networks 4 (3), 529-541. I també “Analog VLSI phototransduction”, T Delbrück and CA Mead. 1994. Signal 10 (3), 10.
2. Vegeu Rutishauser U, Douglas RJ, Slotine JJ. Collective stability of networks of winner-take-all circuits. Neural computation. 2011 Mar 1;23(3):735-73.
3. Rosenblatt, 1957. The perceptron–a perceiving and recognizing automaton”. Cornell Aeronautical Laboratory.
4. J.Z. Kim & D.S. Bassett, 2022. A Neural Programming Language for the Reservoir Computer. arXiv preprint (pendent de revisió).