As redes neurais biológicas (BNNs) prometem baixo consumo de energia e imenso paralelismo, oferecendo uma rota plausível para uma verdadeira inteligência bio-derivada além das estruturas convencionais de IA. No entanto, seus princípios computacionais permanecem mal compreendidos, em grande parte devido à falta de paradigmas experimentais padronizados. Aqui, fabricamos uma matriz de microeletrodos in vitro de 256 canais (MEA) revestida com nanopartículas de Pt e PEDOT:PSS. A interface híbrida exibe baixa impedância (15,33 ± 0,63 kΩ a 1 kHz), uma alta capacidade de armazenamento de carga (87,30 ± 5,82 mC cm-2) e excelente biocompatibilidade. Esta configuração facilita a gravação eletrofisiológica estável e a estimulação elétrica de longo prazo de redes neuronais hipocampais cultivadas. Usando esta plataforma, avaliamos sistematicamente dois paradigmas de estimulação elétrica: estimulação elétrica previsível (PES), fornecida como pulsos regulares e padronizados no tempo, e estimulação elétrica imprevisível (UES), fornecida como sequências de pulsos pseudorrandômicas. Redes treinadas com PES consumiram menos energia metabólica para gerar potenciais de ação e alcançaram um aumento de 1,79 ± 0,32 vezes na velocidade de comunicação da rede em relação aos controles não estimulados. Em contraste, UES induziu disparos altamente variáveis e reconfiguração sináptica, resultando em maior entropia na rede, mas sem ganho líquido na velocidade de comunicação. Esses achados sugerem que a previsibilidade temporal é um motor chave da computação energética, de alta largura de banda em BNNs, enquanto entradas estocásticas promovem principalmente a plasticidade estrutural. O MEA revestido com PtNPs/PEDOT:PSS e o paradigma de estimulação apresentados aqui fornecem uma plataforma escalável para dissecar as regras de computação de BNN e treinar processadores biohíbridos de baixo consumo e alta velocidade.
Jiang et al. (Quarta-feira,) estudaram esta questão.