In een recent artikel in Nature Electronics hebben onderzoekers van de Technische Universiteit Eindhoven (TU/e) een innovatieve aanpak onthuld om neuromorfe chips te trainen. Opvallend is dat deze chips kunnen fungeren als biosensoren voor diverse zorgtoepassingen. De zelflerende neuromorfe biosensorchips kunnen onder meer worden gebruikt bij de diagnose van taaislijmziekte maar bieden ook mogelijkheden voor de ontwikkeling van slimmere protheses.
Neuromorfe computers zijn ontworpen naar het model van het menselijk brein en hebben het potentieel om de gezondheidszorg te veranderen. In juni 2023 vertelde onderzoeker Eveline van Doremaele al uitgebreid in een interview over de wijze waarop haar team neuromorfe chips trainde. Medio september 2023 heeft ze nu met haar team hierover een belangrijk wetenschapsartikel gepubliceerd in Nature Electronics.
Biosensorchip
De onderzoekers van TU/e en Northwestern University hebben een neuromorfe biosensorchip ontwikkeld die zelfstandig kan leren. Deze 'slimme biosensor' biedt een veelbelovende oplossing voor een groot trainingsprobleem met betrekking tot neuromorfe chips. Tot nu toe moest het neurale netwerk van dergelijke chips namelijk worden getraind met externe software en dat is een langzaam en energieverslindend proces. De nieuwe chip kan echter real-time patiëntgegevens verwerken, waardoor het trainingsproces aanzienlijk wordt versneld en het gebruik van de chip in daadwerkelijke bioapplicaties kan worden bevorderd.
Taaislijmziekte
Een opmerkelijke toepassing van deze chip is de detectie van taaislijmziekte op basis van zweetmonsters. Hierbij is een hoog niveau van chloride-anionen in het zweet een indicator voor deze erfelijke ziekte. Hoewel betrouwbare sensoren voor het testen op taaislijmziekte al beschikbaar zijn, bood deze test een mooie gelegenheid voor de onderzoekers om hun autonome leersensor op de chip te evalueren.
De neuromorfe biosensor van de onderzoekers bestaat uit drie hoofdcomponenten: de sensormodule, de neurale netwerk-hardware en het classificatiegedeelte. Een druppel zweet wordt aan de sensormodule toegevoegd, waarna chloride- en andere ionenconcentraties worden gedetecteerd. De chip verwerkt deze signalen zelfstandig en geeft het resultaat weer als een groen of rood lampje, hetgeen respectievelijk staat voor een negatieve of positieve diagnose.
Datasportschool
Voordat de chip werd ingezet voor het testen van zweetmonsters, moest het neurale netwerk eerst getraind worden in wat de onderzoekers de 'datasportschool' noemen. Ze creëerden verschillende zweetmonsters met bekende ionenconcentraties en testten de chip met deze monsters. Als de chip een foutieve diagnose stelde, corrigeerden de onderzoekers deze door de gewichten tussen de knooppunten van het neurale netwerk aan te passen. Het cruciale aspect hier is dat de chip op de hardware, zonder externe software, kan worden getraind.
Slimme protheses
Deze innovatie betekent niet alleen een grote tijdsbesparing, maar opent ook de deur naar chips die kunnen leren en zich kunnen aanpassen aan verschillende toepassingen en omgevingen. Zelfs nadat de chip is getraind, kan deze ook nog worden ingezet voor het oplossen van andere problemen. Als voorbeeld noemt Eveline van Doremaele, een van de onderzoekers, het gebruik van dezelfde neurale netwerk-hardware in slimme protheses.
In dat geval hoeft namelijk alleen het neurale netwerk opnieuw te worden getraind met informatie over hand- of armbewegingen. Deze nieuwe aanpak voor het trainen van neurale netwerken in de gezondheidszorg heeft het potentieel om persoonlijke en geïmplanteerde neurale netwerken te creëren die, met behulp van hun eigen gegevens, worden getraind door de eindgebruiker. Zodoende kunnen chips in real-time worden getraind om protheses en vergelijkbare apparaten aan te sturen, zonder voorafgaande programmering.
