Komputery chemiczne stają się coraz bardziej realne, udowadniają naukowcy z Instytutu Chemii Fizycznej PAN w Warszawie. Okazuje się, że po zastosowaniu odpowiedniej strategii "uczenia" nawet stosunkowo prosty układ chemiczny może wykonywać nietrywialne operacje. W najnowszych symulacjach komputerowych badacze wykazali, że właściwie przeszkolone matryce chemicznie oscylujących kropel potrafią z dużą skutecznością wykrywać kształt sfery.

Współczesne komputery do obliczeń wykorzystują sygnały elektroniczne, czyli zjawiska fizyczne związane z przepływem ładunków elektrycznych. Informację można jednak przetwarzać wieloma sposobami. Od pewnego czasu na świecie trwają próby użycia w tym celu sygnałów chemicznych. Powstające układy chemiczne realizują na razie tylko najprostsze operacje logiczne. Tymczasem w Instytucie Chemii Fizycznej Polskiej Akademii Nauk (IChF PAN) w Warszawie za pomocą symulacji komputerowych wykazano, że nawet nieskomplikowane i już dziś łatwe do wykonania zestawy kropel, w których zachodzą oscylujące reakcje chemiczne, mogą przetwarzać informację w użyteczny sposób, np. z dużą dokładnością wykrywać kształt określonego obiektu trójwymiarowego lub poprawnie klasyfikować komórki nowotworowe na łagodne i złośliwe.

Odpowiednio skonfigurowany układ chemicznie oscylujących kropel potrafi wykryć kształt sfery ukryty w przypadkowym zbiorze punktów, obrazowo przedstawionym przez dr. inż. Konrada Giżyńskiego z Instytutu Chemii Fizycznej Polskiej Akademii Nauk w Warszawie. (Źródło: IChF PAN, Grzegorz Krzyżewski)

"Wiele prac prowadzonych obecnie w laboratoriach koncentruje się wokół budowy chemicznych odpowiedników standardowych bramek logicznych. My podeszliśmy do zagadnienia inaczej", mówi dr inż. Konrad Giżyński (IChF PAN) i wyjaśnia: "Badamy układy kilkunastu-kilkudziesięciu kropel, w których propagują się sygnały chemiczne, i każdy traktujemy jako całość, jako pewnego rodzaju sieć neuronową. Okazuje się, że takie sieci, nawet bardzo proste, już po krótkim szkoleniu potrafią sobie dobrze radzić z dość wyrafinowanymi zagadnieniami. Na przykład nasz najnowszy układ bez większego problemu wykrywa kształt sfery w zbiorze współrzędnych przestrzennych x, y, z".

Układy badane w IChF PAN działają dzięki reakcji Biełousowa-Żabotyńskiego zachodzącej w poszczególnych kroplach. Reakcja ta ma charakter cykliczny: po zakończeniu jednego cyklu w roztworze odtwarzają się reagenty niezbędne do rozpoczęcia cyklu kolejnego. Nim reakcja ustanie kropla zazwyczaj wykonuje od kilkudziesięciu do kilkuset oscylacji. Przebieg reakcji jest przy tym łatwy do zaobserwowania, ponieważ będąca jej katalizatorem ferroina zmienia swój kolor w trakcie cyklu. W płytkich naczyniach z cienką warstwą roztworu efekt jest spektakularny: w cieczy pojawiają się rozchodzące się na wszystkie strony barwne pasy - fronty chemiczne. W kroplach fronty także można zobaczyć, jednak w praktyce o fazie cyklu świadczy po prostu kolor kropli: gdy cykl się zaczyna, kropla gwałtownie się "wzbudza" i zmienia kolor na niebieski, po czym stopniowo powraca do stanu początkowego, w którym ma kolor czerwony.

"Podstawą działania naszych układów jest wzajemna komunikacja między kroplami: gdy krople się stykają, wtedy pobudzenia chemiczne mogą się przenosić z kropli do kropli. Innymi słowy, jedna kropla może wzbudzać reakcję w drugiej! Istotny przy tym jest fakt, że kropli wzbudzonej nie można od razu ponownie wzbudzić. Mówiąc nieco kolokwialnie, przed kolejnym wzbudzeniem musi ona chwilę 'odpocząć', żeby potem wrócić do stanu pierwotnego", tłumaczy dr Giżyński.

Aby układ przetworzył informację, trzeba ją do niego wprowadzić, a po przetworzeniu odczytać. Ważna jest także możliwość kontrolowanego modyfikowania sposobu, w jaki układ przetwarza informację. Do tych zadań badacze z IChF PAN używali światła oraz dodatkowego (poza ferroiną) katalizatora: rutenu. Reakcja Biełousowa-Żabotyńskiego katalizowana rutenem ma bowiem ważną cechę: jest inhibitowana światłem niebieskim, co oznacza, że przy intensywnym oświetleniu krople przestają oscylować. Zmieniając oświetlenie konkretnej kropli można więc decydować, czy ma ona uczestniczyć w przetwarzaniu informacji czy nie, oraz wzbudzać ją według dowolnie dobranego wzorca. W przypadku kropel służących do wprowadzania informacji, dłuższy czas oświetlania można wtedy interpretować np. jako większą wartość wprowadzanej współrzędnej przestrzennej.

"W praktyce zmiany oświetlenia realizuje się doprowadzając do każdej kropli osobny światłowód", mówi dr Giżyński i podkreśla, że wszystkie parametry symulacji - cykle reakcji chemicznych z wyraźnymi przejściami między stanami, propagowanie się frontów chemicznych między kroplami, zatrzymywanie i wznawianie reakcji światłem doprowadzanym światłowodami oraz wytwarzanie zestawów kropel - zostały dobrane na podstawie wcześniej przeprowadzonych eksperymentów.

Przykład przechodzenia frontu chemicznego z jednej kropli (w lewym dolnym rogu) do dwóch przyległych. Zdjęcia wykonane za pomocą mikroskopu Hirox KH-8700. (Źródło: IChF PAN, Hirox)

W symulacjach, w których warszawscy naukowcy poszukiwali metod detekcji kształtu sfery, rozpatrywano sieci kwadratowe złożone z 2x2, 3x3, 4x4 i 5x5 kropel. Aby odwzorować rzeczywiste tempo reakcji chemicznych przyjmowano, że kropla w stanie wzbudzonym spędza jedną sekundę, a do stanu, w którym może być pobudzona ponownie, powraca po dziesięciu sekundach.

Przed rozpoczęciem procesu uczenia badacze musieli jeszcze stworzyć odpowiedni "podręcznik" z opisem sfery. W tym celu wygenerowano przypadkowy zestaw punktów, którym przypisano wartość 1 gdy dany punkt należał do sfery, albo wartość 0, gdy punkt leżał poza nią. Tak przygotowana baza danych stała się podstawą procesu nauki, w którym każda ze składowych punktu (x, y, z) decydowała o czasie oświetlenia innej kropli wejściowej.

Aby wytrenować układ kropel pod kątem wykrywania kształtu sfery, badacze z IChF PAN użyli algorytmów ewolucyjnych. Proces uczenia zaczynał się od losowego wygenerowania 30 wzorców oświetlenia układu, w których pewne krople służyły do wprowadzania informacji, a pozostale pozostawały nieaktywne przez czas będący przedmiotem optymalizacji. Po przetworzeniu przez układ kropli całej bazy danych sprawdzano, dla której kropli ewolucja jest najlepiej skorelowana z oczekiwanym wynikiem. Kroplę tę traktowano jako wyjściową. Z tak otrzymanej pierwszej generacji układów wybierano kilka najlepszych, "namnażano" je wprowadzając po drodze niewielkie zmiany ("mutacje") w sposobach oświetlenia i cykl nauki rozpoczynano od początku. Proces uczenia kontynuowano przez 500 generacji.

"Najlepsze wyniki osiągnęliśmy dla układu kropel 4x4. Wykazywał on największą skuteczność w wykrywaniu kształtu sfery, na poziomie 85%. Na dodatek nabywał tę umiejętność najszybciej, bo w ciągu zaledwie 150 generacji. Układ 5x5 być może mógłby być lepszy, ale żeby to sprawdzić, proces uczenia należałoby wydłużyć ponad 500 generacji", mówi dr Giżyński.

Układy kropel nie interpretują napływających danych, jedynie szukają między nimi korelacji ("kształtów") podobnych do tej, w której znajdowaniu je wytrenowano. Zamiast współrzędnych przestrzennych punktów z kształtem sfery można więc do nich wprowadzać dane o innym znaczeniu, np. powiązane z różnymi cechami komórek nowotworowych. Układ mógłby wówczas poszukiwać "kształtu" danych odpowiadającego np. nowotworom łagodnym bądź złośliwym.

"Rzeczywiście, w jednej z naszych niedawnych publikacji, zrealizowanych we współpracy z kolegami z Uniwersytetu w Jenie, pokazaliśmy, że układ 5x5 kropel potrafił klasyfikować komórki nowotworowe z medycznej bazy danych CANCER z precyzją sięgającą 97%. Za pomocą klasycznych komputerów osiąga się lepsze wyniki, niemniej są też na nich klasyfikatory działające mniej wydajnie. Zatem chemiczne przetwarzanie informacji, choć wciąż mocno niedoskonałe, zaczyna oferować coraz ciekawsze i bardziej użyteczne możliwości", podsumowuje dr Giżyński.

Więcej: "A Chemical System that Recognizes the Shape of a Sphere" K. Giżyński, J. Górecki, Computational Methods in Science and Technology, 22(4) 167-177 (2016), DOI:10.12921/cmst.2016.0000057. "Evolutionary design of classifiers made of droplets containing a nonlinear chemical medium", K. Giżyński, G. Gruenert, P. Dittrich, J. Górecki, Evolutionary Computation, 2016, DOI: 10.1162/EVCO_a_00197

Źródło: Instytut Chemii Fizycznej Polskiej Akademii Nauk