科学家用活体神经元完成计算任务

现实版“缸中之脑”来了？在实验室的培养皿里，一簇大鼠脑细胞在实时电刺激回路训练下，学会了生成正弦波、三角波以及混沌信号。

这项发表于 PNAS 的研究来自日本东北大学（Tohoku University）等团队。他们首次证明了培养的大鼠皮层活神经元可被训练，并用于执行由传统人工神经网络生成的周期性及混沌时间序列信号的任务。

在微流控装置精确引导下，神经元网络展现出高维动力学特性。通过将培养的生物神经元网络（BNN，Biological Neural Network）整合到机器学习框架中，验证了它们能够生成复杂的时间序列信号。

需要了解的是，体外神经元原本是自发活动、杂乱无章的，研究团队的方法相当于用微流控芯片将神经元“关”到一个个小房间里（空间分区定植），但又留下了狭窄的通道，这样让它们之间既能保持秩序又能可相互联系。

一方面，该研究为深入探索大脑将无序的神经活动变成有序行为指令的过程奠定了理论基础；另一方面，这些活神经元具有耗电量极低且能自我适应性强的优势，未来或许可基于活细胞制备出比硅基芯片还省电的“湿件”计算平台。

该研究不仅开辟了神经科学和计算技术交叉的新方向，更展现出 BNN 替代现有机器学习模型的潜力。未来，结合人类诱导多能干细胞分化的神经元，或可替代动物实验成为药物反应测试平台，以及脑机接口和神经假体体外研究、神经系统疾病的模拟平台。

（来源：PNAS）

长期以来，人工神经网络（ANN，Artificial Neural Network）和脉冲神经网络（SNN，Spiking Neural Network）通常应用于机器学习和神经形态硬件领域。基于这类网络，储层计算框架也随之发展起来，它借助循环连接的 ANN 和 SNN 的动态特性，为处理时变数据提供了一种高效的方法。

在传统的基于 ANN 的储层计算中，通过 FORCE（First-Order Reduced and Controlled Error）学习算法等方法能够通过持续修正输出信号、减小误差，进而实现实时自适应。

这些技术使人工系统能够生成各种时间模式，包括周期性和混沌信号。然而，类似的方法是否适用于生物神经网络？尽管该方向此前已有探索，但长期以来尚未形成统一的答案。

图丨 BNN 中的 FORCE 学习（来源：PNAS）

为了填补这一空白，研究团队利用培养的大鼠皮层神经元构建了生物神经网络，并将其整合到储层计算框架中。该研究的关键创新之一在于，利用微流控装置精确引导神经元生长并控制网络连接。

研究人员在由 26,400 通道构成的高密度微电极阵列上培养神经元，其动作电位被实时记录、滤波后转化成连续信号。然后，经由线性解码器映射为目标输出。

接下来，该输出信号反过来转化为电脉冲，再回输到培养皿中的特定电极，形成反馈回路。整个控制周期平均在 332.5 毫秒左右，其中包含滤波伪影去除时间约 120 毫秒，以及脉冲计数窗口和软硬件延迟约 200 毫秒。

他们通过应用 FORCE 学习算法优化系统的读出层，不仅显著降低了内存需求，还成功训练这些生物网络，使其能够产生与运动控制中类似的复杂时间信号。研究人员基于这种方法构建了模块化网络架构，可最大限度避免神经元过度同步，让网络呈现出高效储层计算所需的丰富、高维动态行为。

基于 BNN 的框架能够生成多种时间序列模式，包括正弦波、三角波、方波，甚至包括洛伦兹吸引子在内的混沌轨迹。值得关注的是，这种神经网络展现出优异的灵活性，能够在同一系统中学习并稳定再现 4 秒、10 秒和 30 秒的正弦波。

生成洛伦兹吸引子轨迹是研究中最具挑战性的任务。在实验中，尽管高振幅峰值的还原精度仍有提升空间，但更重要的是，结果显示三个维度的预测与目标信号相关性均在 0.8 以上，说明 BNN 已经成功捕捉到了混沌轨迹的主要结构。

图丨相关论文（来源：PNAS）

“这项研究表明，活体神经元网络不仅是具有生物学意义的系统，而且还可以作为新型计算资源，”东北大学助理教授 Hideaki Yamamoto 表示，“通过结合神经科学和机器学习的优势，我们正在利用生物系统的内在动态特性，走出一条全新的生物计算路线。”

研究团队承认当前的研究仍存在一定的局限性，例如系统学习结束后性能衰减，以及 330 毫秒闭环延迟在高频信号追踪方面仍存在限制。在未来的研究阶段中，研究人员希望能够进一步提高训练结束后信号生成的稳定性。

据团队计划，接下来的工作重点是减少反馈延迟和改进 FORCE 学习算法。在此基础上，他们还将拓展该平台在科研和医学等领域的应用价值，例如成为研究药物反应和模拟神经系统疾病的微生理系统。

当神经元不仅能来理解大脑，也可以用于做计算，或许，这意味着我们正在接近一种介于生物和机器之间的全新计算范式。