Building an artificial neural network with neurons
Notice bibliographique
Résumé
Artificial neural networks are based on mathematical models of biological networks, but it is not clear how similar these two networks are. We have recently demonstrated that we can mechanically manipulate single neurons and create functioning synapses. Here, we build on this discovery and investigate the feasibility and time scales to build an artificial neural network with biological neurons. To achieve this, we characterized the dynamics and forces when pulling functional axonal neurites using a micromanipulation technique with maximum speeds about 300 times faster than the average natural growth rate of 0.0017μm/s. We find that the maximum force required to initiate and extend the neurites is about 1nN. The dynamics of the mechanical extension of the neurite is well described by many elastic springs and viscous dashpots in series. Interestingly, we find that the transport networks, specifically the actin network, lags behind the mechanically pulled structure. These insights could potentially open a new avenue to facilitate and encourage neuronal regrowth not relying on chemical queues. The extracted mechanical parameters and timescales characterize the neurite growth. We predict that it should be possible to use a magnetic trap to wire an artificial network such as a multi-layer perceptron in 17 hours. Once wired, we believe the biological neural network could be trained to process a hand-written digit using artificial neural network concepts applied to biological systems. We show how one could test the stability and robustness of this network by axotomizing (i.e. cutting) specific axons and reconnecting them using mechanical manipulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».