폐쇄 루프 신경 로봇 실험은 신경 네트워크의 전산 등록을 테스트하는

다음 실험의 전반적인 목표는 분리된 뉴런의 생물학적 네트워크와 소형 로봇 간의 양방향 상호작용을 조사하는 것입니다. 이러한 지속적인 대화는 뉴런 시스템의 계산 특성을 수정하여 일종의 학습을 유도할 수 있습니다. 이는 세포 활성을 저해하지 않고 수 시간 동안 실험 세션을 진행할 수 있도록 마이크로 전극 어레이 위에 뉴런 배양물을 준비함으로써 달성됩니다.

두 번째 단계로 배양물의 반응 맵(response map)을 계산하며, 이를 통해 실제 폐루프(closed loop) 실험에 사용할 자극 전극을 선택할 수 있습니다. 다음으로, 생물학적 시스템과 전자 시스템 간의 정보 교환이 가능하도록 코딩 및 디코딩 파라미터를 정의합니다. 결과적으로, 서로 다른 제어 조건 하에서 충돌 간 평균 이동 거리를 비교했을 때 로봇 에이전트의 내비게이션 능력이 유의미하게 증가했음을 보여줍니다.

이 방법은 뉴런의 언어를 기계의 언어로, 그리고 그 반대로 번역할 수 있는 사전의 도출이 가능한가와 같이 공학 분야의 핵심적인 질문들에 답하는 데 도움을 줄 수 있습니다. 일반적으로 이 방법에 익숙하지 않은 개인은 실험 장치의 기술적 복잡성과 소프트웨어 아키텍처로 인해 어려움을 겪을 수 있습니다. 해당 절차의 시연은 본 연구실의 박사 과정생인 Martha Bizo가 진행하겠습니다.

첫 번째 단계는 신경망의 자극 또는 기록에 사용할 수 있는 60개의 전극이 있는 미세 전극 어레이 또는 MEA 칩을 준비하는 것입니다. MEA 칩에 신경세포 배양물을 도말한 후, 신경망이 성숙할 때까지 약 3주 동안 기다립니다. 실험 당일에는 온도 조절기를 37 °C로 설정하고 MEA 하단의 가열판을 켜서 MEA 가열 시스템을 5~10분 동안 예열하십시오.

또한 가열 덮개를 사용하여 증발을 줄이십시오. 오토클레이브로 멸균된 가스 투과성 캡을 사용하여 배양액을 덮음으로써 기록 중 증발을 제한하고 삼투압 변화를 방지하십시오. 이제 배양액에 탄산가스를 순환시켜 산소와 pH 수치를 모두 안정적으로 유지하십시오. 배양액을 30분 동안 안정시키십시오. 안정 기간이 지난 후, 신경세포의 자발적 활동을 30분 동안 기록하십시오.

그런 다음 데이터 기록 양식의 스파이크 상자에 있는 기록 버튼을 클릭하여 데이터를 파일로 저장합니다. 원시 데이터 표시 양식에서 스파이크 수가 가장 많은 10개 채널을 확인합니다. 그런 다음 MEA 레이아웃 중 아무 곳에서나 해당 채널들을 선택합니다.

원하는 영역 위로 마우스 커서를 드래그하여 코딩 양식을 지정합니다. 채널이 선택되면 MEA 레이아웃의 아무 곳이나 우클릭한 후 팝업 메뉴에서 'add to left sensory area'를 선택하십시오. 이 전극들은 다음 단계에서 전기 자극을 전달하는 데 사용됩니다.

다음으로, 자극기와 MEA 증폭기가 올바르게 연결되었는지 확인하십시오. 모든 구성에서는 희망하는 자극 채널당 두 개의 와이어가 필요하며, 동기화 신호를 전송하기 위해 추가적인 동축 케이블이 필요합니다. 준비가 되면 자극기의 전원을 켜십시오.

다음 단계는 연결 맵 양식에서 자극 파라미터를 정의하는 것입니다. 배양액에 전달되는 모든 자극은 위상성 사각형 전압파를 통해 이루어집니다. 반주기를 300 microseconds로 설정하고 진폭을 1.5 peak to peak voltage로 설정하십시오.

시작 버튼을 눌러 자극에 대한 반응 기록을 시작하십시오. 연결 맵에서는 이전에 선택한 자극 전극 중 하나로부터 0.2 hertz의 간격으로 30회의 자극이 자동 전달됩니다. 해당 전극이 자극 전극으로 작동하는 동안 MEA 칩의 나머지 59개 전극에서 반응이 기록됩니다.

그 후 시리즈 간에 5초의 간격을 두고, 식별된 나머지 9개의 자극 전극 각각에 대해 30회의 자극 시리즈를 차례로 반복하며, 나머지 59개의 전극에서 기록을 수집합니다. 다음으로 신경 데이터 연산 애플리케이션인 spy code를 사용하여 각 자극 채널에 대한 컴퓨터 연결 맵을 작성합니다. 연결 맵을 바탕으로 반응을 유도하지 않은 모든 자극 전극은 이후 분석에서 제외합니다.

그다음, 텍스트 프로토콜에 설명된 대로 남은 전극들 중에서 반응의 중첩이 가장 적은 쌍을 선택하고, 이 전극들 중 하나는 로봇의 왼쪽 감각 정보를, 다른 하나는 오른쪽 정보를 코딩하도록 선택하십시오. 이를 위해 MEA 레이아웃에서 한 전극 위로 마우스 커서를 드래그한 후 오른쪽 버튼을 클릭하고 '왼쪽 감각 영역에 추가(add to left sensory area)'를 선택하십시오. 그런 다음 다른 전극 위로 커서를 드래그하십시오.

마우스 오른쪽 버튼을 클릭하고 우측 감각 영역에 추가(add to right sensory area)를 선택하십시오. 다음으로 코딩 양식에서 코딩 유형을 linear로 설정하여 코딩 체계를 선택하십시오. 그런 다음 기본 범위인 0.5 ~ 2 Hz를 사용하여 최소 및 최대 자극률을 정의하고, jitter 매개변수를 0으로 설정하십시오.

그다음 디코딩 양식에서 디코딩 알고리즘 파라미터를 설정합니다. 즉, 채널당 초당 약 1회의 스파이크가 발생하는 중간 정도의 활성 배양 상태를 위해 속도 변화(speed change) 및 감쇄 시간 상수(time constant of decay) 파라미터를 1로 설정합니다. 이어서 디코딩 양식의 디코딩 알고리즘 버스트(burst) 파라미터를 0으로 설정합니다.

속도 변화가 0인 경우 감쇠 시간은 무관합니다. 실험 관리자 양식에서 spike 데이터 저장, 로봇 데이터 및 자극 데이터 체크 박스를 클릭하여 기록할 데이터를 선택하십시오. 이제 실험 관리자 양식의 실험 시작 버튼을 선택하여 사전 학습 로봇 실행을 시작하십시오.

프롬프트가 나타나면 데이터 파일의 새 파일 이름을 선택하십시오. 실험을 30분 동안 진행합니다. 그런 다음 실험 중지 버튼을 클릭하여 로봇 작동을 멈춥니다.

다음으로, 'deliver to 10 stimulation after'로 표시하여 학습 프로토콜을 활성화하십시오. 실험 관리자 양식의 체크박스를 선택하십시오. 그런 다음 실험 시작 버튼을 다시 클릭하여 30분 동안 훈련 로봇 런을 다시 수행하십시오.

이 학습 과정 동안 로봇의 자극은 불규칙한 자극에서 타이타닉 자극(Titanic stimulus)으로 변경됩니다. 로봇이 장애물에 부딪히면, 신경망을 훈련시키기 위해 타이타닉 자극이 사용됩니다. 데이터를 저장한 후, 'deliver to tannic stimulation' 체크박스를 해제하여 학습 프로토콜을 다시 끕니다.

체크박스를 선택한 후, ‘start experiment’를 클릭하여 30분간의 학습 후 로봇 주행을 수행하십시오. 이전과 마찬가지로, 파일이 덮어씌워지는 것을 방지하기 위해 파일 이름을 변경해야 함을 기억하십시오. 앞서 보여드린 가상 로봇 외에도, 동일한 훈련 주행 세트를 신경망 및 실제 로봇에 적용하여 사용할 수 있습니다.

여기에 표시된 것은 20분 동안 진행된 빈 MEA 실험 중 가상 로봇이 이동한 경로입니다. 이 대조 실험에서는 MEA에 세포를 도말하지 않았습니다. 연녹색 영역은 로봇이 자유롭게 이동할 수 있는 구역이며, 진녹색 원은 로봇이 거리 센서를 통해 인식할 수 있는 통과 불가능한 장애물을 나타냅니다.

각 실험에서 로봇은 아레나의 왼쪽 상단 구역에서 시작하여 커다란 분홍색 점으로 표시된 최종 위치까지 이동합니다. 작은 검은색 점들은 장애물과의 충돌 지점을 나타냅니다. 색상으로 구분된 경로들은 경과 시간을 나타냅니다.

신경망을 사용하지 않은 이 실험에서 로봇은 처음 마주친 장애물에 의해 정지되었습니다. 여기에는 로봇이 사실상 눈이 먼 상태인 개루프(open loop) 실험 중에 가상 로봇이 이동한 경로가 표시되어 있습니다. 감각 정보를 코딩하는 대신, 신경망에 전달된 자극 훈련은 단순한 일반 시퀀스로 구성되었습니다.

여기에는 로봇이 장애물에 부딪힌 후 신경망이 피드백을 받은 20분간의 폐루프(closed loop) 실험 동안 가상 로봇이 이동한 경로가 표시되어 있습니다. 개루프(open loop) 실험과 달리, 이 로봇은 많은 장애물을 성공적으로 피해 이동했음에 유의하십시오. 이는 로봇의 우수한 주행 성능을 얻기 위해서는 뉴런 요소와 인공 요소 사이의 양방향 상호작용이 필수적임을 나타냅니다.

이 그래프는 연속된 충돌 사이의 이동 픽셀 수로 표현된 로봇의 내비게이션 성능을 보여줍니다. 처음 두 열은 이동 거리의 분포를 나타내며, 이는 빈 MEA 및 오픈 루프 구성의 두 가지 대조 실험 결과입니다. 세 번째와 네 번째 열은 Titanic 자극의 전달이 없는 경우와 있는 경우의 성능을 보여줍니다.

장애물에 충돌할 때마다 Titanic 자극의 도입이 상당히 개선됩니다. 두 번의 연속적인 충돌 사이에 이동한 거리가 증가하여 로봇의 주행 성능이 향상됩니다. 이 그래프는 특정 디코딩 알고리즘을 적용한 로봇이 제한된 시간 내에 짧은 트랙을 성공적으로 주행할 확률을 나타냅니다.

디코딩 패러다임은 개발 이후 버스트(burst)와 단일 스파이크(isolated spike)의 상대적 가중치에 따라 서로 다릅니다. 이 기술은 현대 신경 인터페이스의 성능을 향상시키기 위해 뇌와 기계를 연결하는 방법을 탐구함으로써, 신경 로봇 공학 및 신경 보철 분야에서 URG의 기반을 마련했습니다. 이 영상을 시청한 후, 여러분은 체화된 생물학적 신경망의 계산적 특성을 조사하기 위한 하이브리드 실험을 계획하고 실행하는 방법에 대해 충분히 이해하게 될 것입니다.