Peneliti kini menunjukkan bahwa sel otak tikus hidup bisa dilatih untuk menjalankan tugas komputasi AI secara real-time. Temuan ini mendorong batas baru antara mesin dan organisme hidup, karena jaringan saraf biologis tidak lagi hanya diamati, tetapi juga dipakai sebagai bagian aktif dari sistem komputasi.
Studi tersebut memakai neuron korteks tikus yang dihubungkan ke perangkat elektronik dalam loop tertutup. Di dalam setup ini, sinyal saraf dibaca, diolah menjadi keluaran, lalu dikirim kembali ke jaringan sebagai stimulasi, sehingga sistem dapat belajar sambil beradaptasi terus-menerus.
Cara sistem bio-AI ini bekerja
Pendekatan yang digunakan disebut closed-loop reservoir computing. Dalam metode ini, jaringan biologis berperan sebagai reservoir dinamis yang memproses informasi secara alami, sementara sistem pembelajaran membaca pola aktivitasnya untuk membentuk output yang diinginkan.
Untuk menjalankan proses itu, neuron hidup dihubungkan dengan microelectrode array berkepadatan tinggi dan perangkat mikrofluida. Sinyal saraf terekam kemudian diubah menjadi keluaran kontinu dan dikirim ulang sebagai stimulasi listrik dalam siklus umpan balik sekitar 330 milidetik.
Pelatihan dilakukan secara real-time agar output sistem terus menyesuaikan diri dengan sinyal target. Desain ini membuat jaringan neuron dapat belajar berkelanjutan tanpa perlu intervensi manual di setiap tahapan proses.
Susunan jaringan dibuat lebih teratur
Salah satu tantangan besar pada kultur neuron adalah sinkronisasi yang berlebihan. Jika terlalu banyak neuron aktif serempak, jaringan kehilangan kemampuan untuk memproses pola yang lebih kaya dan kompleks.
Untuk mengatasi masalah itu, peneliti menyusun neuron secara fisik ke dalam 128 micropore yang saling terhubung melalui microchannel. Struktur ini membuat jaringan lebih terorganisasi dan menurunkan korelasi antarneuron dari sekitar 0,45 menjadi sekitar 0,12.
Penurunan korelasi itu penting karena menunjukkan aktivitas jaringan menjadi lebih beragam. Data studi juga menunjukkan susunan berbentuk lattice memberi performa terbaik dibandingkan konfigurasi yang kurang teratur.
Tugas komputasi yang berhasil dijalankan
Sistem bio-AI tersebut dilaporkan mampu menghasilkan beberapa pola gelombang dengan akurat. Pola itu mencakup gelombang sinus, gelombang kotak, dan gelombang segitiga pada sejumlah interval waktu.
Kemampuan ini menunjukkan neuron hidup bisa diarahkan untuk mengikuti target komputasi tertentu. Dalam pelatihan, sistem bahkan mempertahankan korelasi di atas 0,8, yang menandakan kecocokan kuat antara output dan sinyal target.
Selain pola sederhana, sistem juga mendekati dinamika yang lebih rumit seperti Lorenz attractor. Dalam riset komputasi, Lorenz attractor sering dipakai sebagai contoh sistem chaos yang sulit diprediksi karena sangat sensitif terhadap kondisi awal.
Mengapa riset ini penting bagi AI dan neuroteknologi
Banyak riset AI selama ini meniru cara kerja otak, tetapi tetap berjalan sepenuhnya di perangkat silikon. Studi ini mengambil arah berbeda karena memakai jaringan saraf hidup sebagai bagian langsung dari proses komputasi.
Pendekatan seperti ini membuka peluang bagi bio-hybrid AI yang lebih adaptif dan berpotensi hemat energi. Teknologi tersebut juga dapat menjadi fondasi bagi antarmuka otak-mesin, prostetik saraf, serta sistem komputasi yang memadukan perangkat hidup dengan elektronik.
Potensi itu menarik karena neuron memiliki cara memproses informasi yang sangat efisien dan fleksibel. Jika koneksi dua arah antara jaringan saraf dan mesin bisa dibuat lebih presisi, aplikasi medis dan komputasi dapat berkembang jauh lebih luas.
Poin penting dari studi ini
- Neuron korteks tikus hidup berhasil dilatih untuk komputasi real-time.
- Jaringan yang disusun dalam 128 micropore menunjukkan performa lebih baik.
- Korelasi antarneuron turun dari sekitar 0,45 menjadi sekitar 0,12.
- Sistem mampu menghasilkan gelombang sinus, kotak, dan segitiga.
- Akurasi pelatihan tercermin dari korelasi output di atas 0,8.
- Sistem juga dapat mengaproksimasi pola chaos seperti Lorenz attractor.
Masih ada batas yang perlu diatasi
Meski hasil pelatihan terlihat menjanjikan, performa sistem menurun setelah pelatihan dihentikan. Dalam mode operasi mandiri, tingkat kesalahan ikut naik sehingga stabilitas jangka panjang masih menjadi persoalan besar.
Kendala lain muncul dari jeda umpan balik sekitar 330 milidetik. Latensi ini membatasi sistem untuk menangani sinyal yang berubah sangat cepat, sehingga penerapannya belum seluas AI elektronik konvensional.
Peneliti kini menargetkan pengurangan latensi lewat perangkat keras yang lebih khusus. Jika hambatan teknis ini teratasi, teknologi bio-AI bisa bergerak lebih dekat ke aplikasi nyata seperti prostetik saraf generasi baru, sistem pembelajaran biologis yang lebih efisien, dan mesin hibrida yang memanfaatkan jaringan hidup sebagai komponen komputasi aktif.
