論文の概要: Scaling Environments for Organoid Intelligence with LLM-Automated Design and Plasticity-Based Evaluation
- arxiv url: http://arxiv.org/abs/2509.04633v1
- Date: Thu, 04 Sep 2025 19:51:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-08 14:27:25.399373
- Title: Scaling Environments for Organoid Intelligence with LLM-Automated Design and Plasticity-Based Evaluation
- Title（参考訳）: LLM自動設計によるオルガノイドインテリジェンスのスケーリング環境と塑性評価
- Authors: Brennen Hill,
- Abstract要約: 本稿では,オルガノイドをベースとした生物エージェントの訓練を目的とした,スケーラブルでクローズドループな3つの仮想環境を提案する。
電気生理学的,細胞,分子レベルでシナプス可塑性を測定することによって学習を評価するためのマルチモーダルアプローチについて概説する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the complexity of artificial agents increases, the design of environments that can effectively shape their behavior and capabilities has become a critical research frontier. We propose a framework that extends this principle to a novel class of agents: biological neural networks in the form of neural organoids. This paper introduces three scalable, closed-loop virtual environments designed to train organoid-based biological agents and probe the underlying mechanisms of learning, such as long-term potentiation (LTP) and long-term depression (LTD). We detail the design of three distinct task environments with increasing complexity: (1) a conditional avoidance task, (2) a one-dimensional predator-prey scenario, and (3) a replication of the classic Pong game. For each environment, we formalize the state and action spaces, the sensory encoding and motor decoding mechanisms, and the feedback protocols based on predictable (reward) and unpredictable (punishment) stimulation. Furthermore, we propose a novel meta-learning approach where a Large Language Model (LLM) is used to automate the generation and optimization of experimental protocols, scaling the process of environment and curriculum design. Finally, we outline a multi-modal approach for evaluating learning by measuring synaptic plasticity at electrophysiological, cellular, and molecular levels. This work bridges the gap between computational neuroscience and agent-based AI, offering a unique platform for studying embodiment, learning, and intelligence in a controlled biological substrate.
- Abstract（参考訳）: 人工エージェントの複雑さが増大するにつれて、その行動と能力を効果的に形成できる環境の設計が重要な研究フロンティアとなっている。
本稿では、この原理を神経オルガノイドの形で生物学的ニューラルネットワークという新しい種類のエージェントに拡張する枠組みを提案する。
本稿では,オルガノイドをベースとした生物エージェントを訓練し,長期増強(LTP)や長期うつ病(LTD)などの学習メカニズムを解明するための,スケーラブルでクローズドループな3つの仮想環境を提案する。
本研究では,(1)条件付き回避タスク,(2)1次元の捕食者・捕食シナリオ,(3)古典Pongゲームの再現という3つの異なるタスク環境の設計について詳述する。
各環境に対して、状態と行動空間、感覚符号化と運動復号機構、および予測可能な(逆)および予測不可能な(罰)刺激に基づくフィードバックプロトコルを定式化する。
さらに,大規模言語モデル(LLM)を用いて,実験プロトコルの生成と最適化,環境およびカリキュラム設計のプロセスのスケールアップを行う,新しいメタラーニング手法を提案する。
最後に,電気生理学的,細胞,分子レベルでシナプス可塑性を測定することによって学習を評価するためのマルチモーダルアプローチについて概説する。
この研究は、計算神経科学とエージェントベースのAIのギャップを埋め、制御された生物学的基質における実施、学習、知性を研究するためのユニークなプラットフォームを提供する。
関連論文リスト
- Simulating Biological Intelligence: Active Inference with Experiment-Informed Generative Model [2.003941363902692]
実施エージェントの意思決定をモデル化するための,能動的推論に根ざしたフレームワークを提案する。
実験インフォームド生成モデルを用いて,シミュレーションゲーム環境における意思決定過程をシミュレートする。
知的意思決定における記憶に基づく学習と予測計画の役割について考察した。
論文 参考訳（メタデータ） (2025-08-09T13:26:38Z) - Neural Brain: A Neuroscience-inspired Framework for Embodied Agents [58.58177409853298]
大規模な言語モデルのような現在のAIシステムは、いまだに解体され続けており、物理的に世界と関わりが持てない。
この課題の核心は、人間のような適応性を持つエンボディエージェントを駆動するために設計された中枢知能システムであるNeural Brain(ニューラル・ブレイン)の概念である。
本稿では,2つの基本的な課題に対処する,エンボディエージェントのニューラルブレインの統一的枠組みを提案する。
論文 参考訳（メタデータ） (2025-05-12T15:05:34Z) - Dendritic Localized Learning: Toward Biologically Plausible Algorithm [41.362676232853765]
バックプロパゲーションはニューラルネットワークのトレーニングの基礎であり、ディープラーニングの成功の重要な要因である。
バックプロパゲーションは、重み対称性、大域的エラー信号への依存、訓練の二重相の性質の3つの主要な制限により、難題となっている。
本稿では,これらの課題を克服するための新しい学習アルゴリズムであるDendritic Localized Learning (DLL)を提案する。
論文 参考訳（メタデータ） (2025-01-17T06:35:20Z) - Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳（メタデータ） (2024-09-17T04:48:45Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Towards the Neuroevolution of Low-level Artificial General Intelligence [5.2611228017034435]
我々は、AI(Artificial General Intelligence, AGI)の検索は、人間レベルの知能よりもはるかに低いレベルから始まるべきだと論じる。
我々の仮説は、エージェントが環境の中で行動するとき、学習は感覚フィードバックによって起こるというものである。
環境反応から学習する生物学的にインスパイアされた人工ニューラルネットワークを進化させる手法を評価する。
論文 参考訳（メタデータ） (2022-07-27T15:30:50Z) - Automated Biodesign Engineering by Abductive Meta-Interpretive Learning [8.788941848262786]
Abductive Meta-Interpretive Learning($Meta_Abd$)を活用した自動バイオデザインエンジニアリングフレームワークを提案します。
本稿では,Abductive Meta-Interpretive Learning(Meta_Abd$)を活用したバイオデザイン自動工学フレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-17T12:10:26Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。