Ze trainden de AI met een techniek die deep reinforcement learning wordt genoemd; dezelfde techniek wordt gebruikt om AI-spelers te leren een spel als Go onder de knie te krijgen. Een kunstmatig neuraal netwerk, software die ruwweg is gemodelleerd naar biologische hersenen, analyseert reeksen acties en uitkomsten en haalt hier strategieën uit voor een AI-‘agent’ om te interageren met zijn omgeving en een doel te bereiken.
In het onderzoek, gepubliceerd in Nature Machine Intelligence, trainden onderzoekers een AI-agent om één millimeter lange Caenorhabditis elegans-wormen naar smakelijke stukjes Escherichia coli in een schaal van vier centimeter te leiden. Een nabijgelegen camera registreerde de locatie en oriëntatie van de kop en het lichaam van elke worm; drie keer per seconde ontving de agent deze informatie voor de vorige vijftien frames, waardoor hij een gevoel kreeg van het heden en verleden op elk moment. De agent kon ook een op de schotel gericht licht aan- of uitzetten. De wormen werden optogenetisch gemanipuleerd zodat bepaalde neuronen actief of inactief werden als reactie op het licht, wat soms beweging veroorzaakte.
Het onderzoeksteam testte zes genetische lijnen waarbij het aantal lichtgevoelige neuronen varieerde van één tot alle 302 die de wormen bezaten. Stimulatie had in elke lijn een ander effect: de worm ging draaien of juist niet. De wetenschappers verzamelden eerst trainingsgegevens door vijf uur lang willekeurig licht op de wormen te laten schijnen en voerden de gegevens vervolgens aan de AI-agent om patronen te vinden voordat ze hem loslieten.
Bij vijf van de zes lijnen, waaronder de lijn waarbij alle neuronen op licht reageerden, leerde de agent de worm sneller naar het doel te leiden dan wanneer de worm met rust was gelaten of het licht willekeurig had geknipperd. Bovendien werkten de agent en de worm samen: als de agent de worm recht op een doel af stuurde, maar er kleine obstakels op het pad waren, kroop de worm er omheen. T. Thang Vo-Doan, een ingenieur aan de Universiteit van Queensland in Australië, die onafhankelijk werkte aan cyborginsecten, prees het werk vanwege de eenvoudige opzet – leren op basis van versterking is flexibel en AI kan op basis hiervan uitzoeken hoe complexe taken moeten worden uitgevoerd. Volgens biofysicus Chenguang Li van Harvard University, de hoofdauteur van het artikel, ‘kan men gemakkelijk zien hoe het kan worden uitgebreid naar moeilijkere problemen.’
Haar team onderzoekt nu of hun methode elektrische diepe hersenstimulatie voor de behandeling van de ziekte van Parkinson bij mensen kan verbeteren door de gebruikte spanning en de timing ervan aan te passen.
Schrijf je in op onze nieuwsbrief
En blijf op de hoogte van de laatste inzichten in wetenschap en technologie.