Nieuwe manier om neuromorfe chips te trainen

- EN- NL
Eveline van Doremaele
Eveline van Doremaele
Zoals gepresenteerd in een nieuw artikel in Nature Electronics hebben TU/e-onderzoekers een innovatieve manier bedacht om neuromorfe chips te trainen, door de chip als testcase te gebruiken als biosensor om taaislijmziekte te detecteren.

Neuromorfe computers zijn gebaseerd op de structuur van het menselijk brein. Zij kunnen een revolutie teweegbrengen in onze toekomstige gezondheidszorg. Grootschalig gebruik ervan wordt echter belemmerd door de noodzaak om neuromorfe computers te trainen met behulp van externe trainingssoftware, wat tijdrovend en energie-inefficiënt kan zijn. Onderzoekers van de Technische Universiteit Eindhoven en Northwestern University in de VS hebben een nieuwe neuromorfe biosensor chip ontwikkeld die zelfstandig kan leren en geen externe training nodig heeft. Als Proof of Concept gebruikten de onderzoekers de biosensor om taaislijmziekte te diagnosticeren op basis van zweetmonsters.

"We hebben aangetoond dat we een ’slimme biosensor’ kunnen maken die een ziekte, zoals taaislijmziekte, kan leren detecteren zonder een computer of software te gebruiken." Zo vatte Eveline van Doremaele de publicatie samen die zij schreef met Yoeri van de Burgt van de TU/e en Xudong Ji en Jonathan Rivnay van de Northwestern University in de VS. Dit wetenschappelijke artikel is zojuist gepubliceerd in Nature Electronics.

De ’slimme biosensor’ in hun onderzoek is een neuromorfe biosensorcomputer - een apparaat waarvan de werking is geïnspireerd op de manier waarop neuronen in het menselijk brein communiceren met andere neuronen.

"Neuromorfeisch computers kunnen bijvoorbeeld een grote impact hebben op de gezondheidszorg, vooral als het gaat om toepassingen en apparatuur buiten het lab om te testen op een ziekte of aandoening", zegt van Doremaele. "In ons onderzoek hebben we een belangrijk probleem opgelost met betrekking tot het gebruik van neuromorfe computers in de gezondheidszorg."

We hebben aangetoond dat we een ’slimme biosensor’ kunnen maken die een ziekte, zoals taaislijmziekte, kan leren detecteren zonder een computer of software te gebruiken.

Afscheid van externe software

Wat is het probleem dat van Doremaele en haar medewerkers hebben opgelost? "Voor praktisch gebruik in apparaten in de zorgpraktijk moet neuromorfe technologie weinig stroom verbruiken, een interface hebben met een sensor en gemakkelijk te trainen zijn voor gebruik. De eerste twee kunnen worden opgelost met neuromorfe elektronica. Het centrale vraagstuk is het trainingsdeel."

Tot nu toe werd het neurale netwerk van een neuromorfe chip getraind met behulp van externe software, een proces dat tijdrovend en energie-inefficiënt kan zijn. "Nu kan onze nieuwe chip zelf leren door real-time patiëntgegevens te verwerken. Dit versnelt het trainingsproces echt en bevordert het gebruik van de chip in echte interactieve bioapplicaties", aldus de onderzoeker.

Zoeken naar chloride-anionen

Om de effectiviteit van hun gloednieuwe chip te testen, gebruikten de onderzoekers deze om te testen op de taaislijmziekte. Taaislijmziekte is een erfelijke ziekte die organen kan beschadigen, zoals de longen en het spijsverteringsstelsel.

Een bestaande manier om op de ziekte te testen is via een zweettest waarbij een hoog niveau van chloride-anionen een indicator is voor taaislijmziekte. Betrouwbare sensoren zijn al beschikbaar om te testen op taaislijmziekte, dus deze test bood de onderzoekers een eenvoudig te controleren opdracht voor hun leersensor op de chip.


"Om de implementatie te vergemakkelijken hebben we niet met echte patiëntgegevens gewerkt. In plaats daarvan gebruikten we zweetmonsters van gezonde donoren", zegt Van Doremaele. "Eén monster was een negatief monster of gezond monster van donorzweet, terwijl een tweede monster was geprepareerd om een zeer hoge concentratie chloride-anionen te hebben."

De neuromorfe biosensor van de onderzoekers bestaat uit drie hoofdonderdelen: de sensormodule, de neurale netwerk-hardware en het classificatiegedeelte. Een druppel zweet wordt aan de sensormodule toegevoegd, waarna chlorideen andere ionenconcentraties in het zweet worden gedetecteerd met ion-selectieve elektroden. Deze signalen worden vervolgens verwerkt door de neuromorfe chip zelf. Tot slot wordt het resultaat van de analyse weergegeven als een groen of rood lampje dat respectievelijk een negatief of positief resultaat aangeeft.

Training in de ’datasportschool’

Voordat de chip werd gebruikt om de belangrijkste zweetmonsters te evalueren, moest het neurale netwerk naar de ’datasportschool’ om daar onder begeleiding te trainen.

"We maakten een aantal zweetmonsters met variërende en bekende ionenconcentraties en testten de monsters vervolgens op de chip. Als het resultaat van de chip voor een test verkeerd was, corrigeerden we de chip, wat resulteerde in correcties van de gewichten tussen de knooppunten van het neurale netwerk", zegt van Doremaele. "Belangrijk is dat we de chip trainen op de hardware zelf."

Dit is de belangrijkste vooruitgang in dit onderzoek - de mogelijkheid om het neurale netwerk op de chip te trainen, zonder dat er externe software nodig is. "Wanneer de chip eenmaal is getraind voor het probleem in kwestie (in dit geval detectie van taaislijmziekte uit zweetmonsters), is er geen verdere externe controle of interventie nodig", voegt van Doremaele toe.

Het gemak van omscholing

De echte nieuwigheid is dat de chips kunnen leren en zich kunnen aanpassen aan hun toepassing en omgeving.


Bovendien kan de chip, zelfs als hij getraind is, gebruikt worden voor een ander probleem. "Stel dat je dezelfde neurale netwerk-hardware wilt gebruiken in een slimme prothesehand of -arm. Het enige wat je dan hoeft te doen is het neurale netwerk opnieuw te trainen in de ’datasportschool’ met informatie over handof armbewegingen", zegt Van Doremaele.

Deze nieuwe on-chip leerbenadering opent de deur voor gepersonaliseerde implanteerbare neurale netwerken die getraind worden door de eindgebruiker, door gebruik te maken van gegevens die direct afkomstig zijn van die gebruiker. "Zo’n benadering van het trainen van neurale netwerken voor de gezondheidszorg kan belangrijke gevolgen hebben voor mensen. Wellicht is het hierdoor op een dag mogelijk om chips in real-time te trainen om protheses of andere soortgelijke apparaten te besturen. De echte nieuwigheid is dat de chips kunnen leren en zich kunnen aanpassen aan hun toepassing en omgeving. Ze hoeven niet van tevoren geprogrammeerd te worden, zoals nu het geval is."

A retrainable neuromorphic biosensor for on-chip learning and classification , van Doremaele et al., Nature Electronics, (2023).