山東
IT之家 4 月 7 日消息，科技媒體 Tom's Hardware 于 4 月 5 日發布博文，報道稱日本科學家成功訓練大鼠皮層神經元，利用實時機器學習框架自主生成復雜時序信號。
日本東北大學與未來大學研究團隊集成活體神經元與高密度微電極陣列及微流控設備，構建了“閉環儲備池計算”（Reservoir Computing）系統。該系統無需外部輸入，即可自主學習和生成周期性及混沌波形（Chaotic Waveform），執行 AI 計算任務。
技術核心在于利用 PDMS（聚二甲基硅氧烷）微流控薄膜約束神經元連接方式。研究發現，無物理約束時，培養神經元會形成高度同步化網絡，無法學習目標信號。
為此，團隊將神經元胞體限制在 128 個微型微孔中，通過微通道連接，構建了格型（lattice）和分層（hierarchical）兩種網絡結構。這種設計顯著提升了網絡動力學維度，將神經元兩兩相關性從 0.45 降至 0.12。
測試結果顯示，格型網絡在所有目標波形中表現優異。系統能生成周期為 4 秒、10 秒和 30 秒的正弦波、三角波及方波，并能逼近三維混沌軌跡洛倫茲吸引子，學習階段預測信號與目標信號相關性超過 0.8。東北大學教授山本英明表示，活體神經元網絡不僅是生物學系統，更可作為新型計算資源。
不過該技術目前依然存在性能瓶頸。訓練停止后，系統自主運行時誤差增加。反饋環路約 330 毫秒的延遲，限制了系統追蹤快速變化波形的能力。
科研團隊未來希望通過專用硬件降低延遲，擴展其在 Brain-Machine Interface（腦機接口）和神經假體設備中的應用。
IT之家附上參考地址
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
