科學家用活體神經元完成計算任務，腦機融合邁出驚人一步

現實版“缸中之腦”來了？在實驗室的培養皿里，一簇大鼠腦細胞在實時電刺激回路訓練下，學會了生成正弦波、三角波以及混沌信號。

這項發表于 PNAS 的研究來自日本東北大學（Tohoku University）等團隊。他們首次證明了培養的大鼠皮層活神經元可被訓練，并用于執行由傳統人工神經網絡生成的周期性及混沌時間序列信號的任務。

在微流控裝置精確引導下，神經元網絡展現出高維動力學特性。通過將培養的生物神經元網絡（BNN，Biological Neural Network）整合到機器學習框架中，驗證了它們能夠生成復雜的時間序列信號。

需要了解的是，體外神經元原本是自發活動、雜亂無章的，研究團隊的方法相當于用微流控芯片將神經元“關”到一個個小房間里（空間分區定植），但又留下了狹窄的通道，這樣讓它們之間既能保持秩序又能可相互聯系。

一方面，該研究為深入探索大腦將無序的神經活動變成有序行為指令的過程奠定了理論基礎；另一方面，這些活神經元具有耗電量極低且能自我適應性強的優勢，未來或許可基于活細胞制備出比硅基芯片還省電的“濕件”計算平臺。

該研究不僅開辟了神經科學和計算技術交叉的新方向，更展現出 BNN 替代現有機器學習模型的潛力。未來，結合人類誘導多能干細胞分化的神經元，或可替代動物實驗成為藥物反應測試平臺，以及腦機接口和神經假體體外研究、神經系統疾病的模擬平臺。

（來源：PNAS）

長期以來，人工神經網絡（ANN，Artificial Neural Network）和脈沖神經網絡（SNN，Spiking Neural Network）通常應用于機器學習和神經形態硬件領域。基于這類網絡，儲層計算框架也隨之發展起來，它借助循環連接的 ANN 和 SNN 的動態特性，為處理時變數據提供了一種高效的方法。

在傳統的基于 ANN 的儲層計算中，通過 FORCE（First-Order Reduced and Controlled Error）學習算法等方法能夠通過持續修正輸出信號、減小誤差，進而實現實時自適應。

這些技術使人工系統能夠生成各種時間模式，包括周期性和混沌信號。然而，類似的方法是否適用于生物神經網絡？盡管該方向此前已有探索，但長期以來尚未形成統一的答案。

圖丨 BNN 中的 FORCE 學習（來源：PNAS）

為了填補這一空白，研究團隊利用培養的大鼠皮層神經元構建了生物神經網絡，并將其整合到儲層計算框架中。該研究的關鍵創新之一在于，利用微流控裝置精確引導神經元生長并控制網絡連接。

研究人員在由 26,400 通道構成的高密度微電極陣列上培養神經元，其動作電位被實時記錄、濾波后轉化成連續信號。然后，經由線性解碼器映射為目標輸出。

接下來，該輸出信號反過來轉化為電脈沖，再回輸到培養皿中的特定電極，形成反饋回路。整個控制周期平均在 332.5 毫秒左右，其中包含濾波偽影去除時間約 120 毫秒，以及脈沖計數窗口和軟硬件延遲約 200 毫秒。

他們通過應用 FORCE 學習算法優化系統的讀出層，不僅顯著降低了內存需求，還成功訓練這些生物網絡，使其能夠產生與運動控制中類似的復雜時間信號。研究人員基于這種方法構建了模塊化網絡架構，可最大限度避免神經元過度同步，讓網絡呈現出高效儲層計算所需的豐富、高維動態行為。

基于 BNN 的框架能夠生成多種時間序列模式，包括正弦波、三角波、方波，甚至包括洛倫茲吸引子在內的混沌軌跡。值得關注的是，這種神經網絡展現出優異的靈活性，能夠在同一系統中學習并穩定再現 4 秒、10 秒和 30 秒的正弦波。

生成洛倫茲吸引子軌跡是研究中最具挑戰性的任務。在實驗中，盡管高振幅峰值的還原精度仍有提升空間，但更重要的是，結果顯示三個維度的預測與目標信號相關性均在 0.8 以上，說明 BNN 已經成功捕捉到了混沌軌跡的主要結構。

圖丨相關論文（來源：PNAS）

“這項研究表明，活體神經元網絡不僅是具有生物學意義的系統，而且還可以作為新型計算資源，”東北大學助理教授 Hideaki Yamamoto 表示，“通過結合神經科學和機器學習的優勢，我們正在利用生物系統的內在動態特性，走出一條全新的生物計算路線。”

研究團隊承認當前的研究仍存在一定的局限性，例如系統學習結束后性能衰減，以及 330 毫秒閉環延遲在高頻信號追蹤方面仍存在限制。在未來的研究階段中，研究人員希望能夠進一步提高訓練結束后信號生成的穩定性。

據團隊計劃，接下來的工作重點是減少反饋延遲和改進 FORCE 學習算法。在此基礎上，他們還將拓展該平臺在科研和醫學等領域的應用價值，例如成為研究藥物反應和模擬神經系統疾病的微生理系統。

當神經元不僅能來理解大腦，也可以用于做計算，或許，這意味著我們正在接近一種介于生物和機器之間的全新計算范式。

參考資料：

相關論文：https://pnas.org/doi/10.1073/pnas.2521560123

https://www.tohoku.ac.jp/en/press/living_brain_cells_enable_machine_learning_computations.html

排版：劉雅坤