Grafen kan holde nøkkelen til å koble hjernen til maskiner

Hjernen din er en kule av elektrisk aktivitet - signaler skyter, data streaming. Det er også en svart boks med totalt kaos. Til nå har de beste måtene å koble neuronene til enheter og datamaskiner kunnet undersøke brede veier av nevroner og ta en bred konsensus om hva de kjører på. Men et tilsynelatende gjennombrudd i grafenteknologi gir håp om at vi kan klare seg individuelle nevrale signaler i en eksisterende biologisk innstilling, med store forgreninger for proteser, læring og bevaring av mental helse.

Et team av forskere fra Spania, Italia og Storbritannia har vist at grafen kan lykkes med grensesnittet med nevroner, og bære et elektrisk signal fra dem. Dette arbeidet bygger på tidligere anstrengelser hvor grafen ble belagt med peptider for å fremme nevronadhesjon, og viste at slik belegning ikke er nødvendig. I motsetning til tidligere forsøk og andre teknologier utløste dette arbeidet ikke arrvev, noe som over tid har gjort andre implantater ubrukelige. Også denne versjonen som bruker ubehandlet grafen har et høyt signal-støyforhold som gjør det mer praktisk for biologiske applikasjoner.

De første målene for dette arbeidet er som behandling for Parkinsons. Eksisterende nevrale grensesnitt teknologier leser utgangen av en nevron og oversetter den til noe annet. Ved direkte grensesnitt med nevroner, er det håpet at dette arbeidet kan brukes til å forstyrre signalet. Siden Parkinson er en manglende inhibering av nevrale signaler, kan en teknologi som kunstig blokkerer fremmede signaler løse dette problemet. Det antas at dette er hvordan eksisterende implanterbare elektroder virker: ved ikke-spesifikk kringkasting av elektriske impulser som forstyrrer disse upassende signalene. Individuell neuronoppløsning kan gi langt mer kontroll.

Graphene er et ideelt materiale for biologisk grensesnitt: Det er fleksibelt, stabilt og biokompatibelt. Fordi det også er i stand til å bære en elektrisk ladning, har det pikret interesse for undersøkelser til bruk i nevrale applikasjoner.

Graphene er sterk, men er det tøft? http://t.co/uUfeb1h0oN @ENERGY #MaterialsScience pic.twitter.com/BippvPpK7C

- Berkeley Lab (@BerkeleyLab) 22. februar 2016

Eksisterende nevrale grensesnittteknologi har en tendens til å evaluere et helt område av nevroner ved å bruke en rekke elektroder (for eksempel det siste eksempelet som ble brukt til å kontrollere individuelle fingre). Selv om dette kan være nyttig i noen innstillinger, kan det være vanskelig å sile gjennom utdataene fra mange, mange nevroner for å finne signalet du vil ha. Men gå ned til oppløsningen av grensesnitt med individuelle nevroner, og potensialet er enestående kontroll - med all slags potensial for nerveproteser.

Du trenger fortsatt en sofistikert mekanisme for å sikre at bare de aktuelle nevronene blir kontaktet. du må disentangle hvilket signal som kommer fra hvor; og du må oversette denne kakofonien av signaler.

Implantering av elektrodene kan også være vanskelig. Eksisterende teknologier støter på elektroder i hjernevæv og skader nesten sikkert visse forbindelser underveis. Fordi denne teknologien bare er opptatt av feltopptak, er skadingen av noen få nevroner ikke problematisk. Hvis målet er å grense med individuelle nevroner, kan dette være et betydelig problem.

Videre må systemet kanskje være "kalibrert". Timing og styrke av nevrale signaler er kritisk viktig. Normalt kalibrerer hjernen seg selv. Når du trener svingende en baseballbat, for eksempel, sender du tilbakemelding, positivt eller negativt, for å styrke forbindelsene og bruke akkurat den rette mengden kraft og retning. Hvis du måtte manuelt justere disse tingene i et system som ikke er selvkorrigert, kan det gjøre ting mer utfordrende. (Det er verdt å merke seg at hjernen er veldig god til å være "plastisk" og tilpasse seg selv, så det kan løse sitt eget problem ved bare å modulere sin egen produksjon basert på dine reaksjoner.)

Disse typer problemer er ingeniørproblemer, men ikke umulig å løse. Når disse utfordringene er løst, kan evnen til å grensesnittet med individuelle nevroner være dyp. For eksempel detekterer "tilfeldighetsdetektorer" i hjernen innkommende nevrale impulser fra mer enn en neuron. Hvis tidspunktet for inngangen fra begge er nært nok, vil det utløse en impuls i tilfeldighetsdetektoren selv. Denne mekanismen brukes er flere sammenhenger, hvorav en er i læring.

Fordi denne mekanismen er god til å knytte forskjellige nevrale hendelser, kan de brukes til å bygge konsepter som knytter bro over fjerne deler av hjernen sammen, og derfor lærer en ny ide. Hvis denne prosessen kan styres manuelt, kan man forestille seg en matrise-esque stil av læring, der tilfeldighetsdetektorer manuelt utløses for å knytte forskjellige begreper og bygge en tanke uten å sette fot i et klasserom. På kort sikt vil det imidlertid være langt mindre vanskelig å blokkere upassende signalering i Parkinsons. Se etter grafen for å bevare glatte bevegelser først - før du kanskje lager minner lettere å skaffe seg senere.