3月12日，国际知名学术期刊《美国国家科学院院刊》（PNAS）在线发表了一项来自日本东北大学等机构的突破性研究成果。研究团队成功证明，培养的活体脑细胞形成的生物神经网络（BNN），可以在闭环反馈控制下，通过在线监督学习生成复杂的时序模式信号。这一发现展示了活体神经元作为新型计算资源的潜力，为神经科学与机器学习领域的交叉融合开辟了新路径。
研究人员利用大鼠皮层神经元在体外培养形成生物神经网络，并将其整合到储层计算框架中。他们通过微流控器件引导神经元生长，构建了模块化的网络结构，有效抑制了神经元之间的过度同步，提高了网络的动态复杂性。在实验中，团队采用FORCE（First-Order Reduced and Controlled Error）学习算法对读出层进行实时训练和优化。结果显示，这种生物神经网络能够成功学习并生成多种时序信号，包括正弦波、三角波、方波，以及混沌轨迹如洛伦兹吸引子。其中，正弦波的周期范围可从4秒到30秒不等，同一网络系统展现出了良好的适应性。
实验的关键在于构建了一个实时闭环系统：高密度微电极阵列实时记录神经元放电活动，经过滤波后作为储层状态输入线性解码器，同时通过反馈电刺激调整网络行为。这种反馈机制将原本不规则的自发活动转化为低维、结构化的动态模式。相比均匀连接的网络，模块化设计的网络在学习性能上表现更优，均方误差更低，且在较长周期信号生成任务中优势尤为明显。即使在没有外部输入的情况下，经过训练的生物神经网络在合适条件下也能自主维持这些信号的产生，体现了与传统人工神经网络不同的计算特性。
东北大学山本英明教授表示：“这项工作表明，活体神经网络不仅是具有生物学意义的系统，还可能成为新型计算资源。通过连接神经科学与机器学习，我们正在开辟一条利用生物系统内在动态的新型计算路径。”这一成果有助于深入理解大脑皮层如何生成运动控制等时序信号，同时为神经形态计算和节能型生物启发计算提供了重要启示。未来，该平台还有望扩展应用于药物筛选、神经疾病模型构建等领域。
尽管目前系统仍存在反馈延迟和学习后性能轻微衰减等问题，但通过进一步优化硬件和算法，研究团队有望提升其稳定性和实用性。这项发表在PNAS上的研究，由东北大学与合作机构的科研人员共同完成，不仅推动了体外生物神经网络的应用研究，也为“活体计算”这一新兴方向注入了新活力。
热门跟贴