据3月12日发表在《美国国家科学院院刊》上的一项研究，日本东北大学和公立函馆未来大学的一个团队利用实时机器学习框架，训练培养的大鼠皮层神经元自己生成复杂的时间信号。研究人员将活的神经元与高密度微电极阵列和微流控设备结合，搭建了一个闭环储层计算系统，这个系统能够在不接收外部输入的情况下产生周期性和混沌波形。
这个系统用了一个由26,400个电极组成的阵列，电极间距17.5微米，记录神经元的尖峰序列，然后过滤成连续信号，再通过一个线性读出层把信号解码输出。接着，这个输出作为电刺激反馈给神经元，形成一个大概每333毫秒循环一次的反馈回路。读出权重用一种叫FORCE的算法（全称是一阶约简与误差控制学习）进行实时优化，这个算法持续调整解码器来让网络输出和目标波形之间的误差降到最低。
研究人员表示，这项技术的关键就是使用PDMS微流控薄膜来限制神经元的连接方式。在没有物理约束的情况下，培养的神经元会形成密集且高度同步的网络，它们步调一致地放电，而这种千篇一律的网络无法学习任何目标信号。
相反，研究人员将神经元细胞体限制在128个方形微孔中，每个微孔约100微米见方，平均容纳14.6个神经元。这些微孔通过微通道相互连接，采用两种结构：一种是格子状设计，相邻微孔之间均匀连接；另一种是层次化设计，连接更稀疏，且具有多尺度特性。
与未图案化的培养相比，两种图案化配置均显著降低了神经对之间的相关性（分别为0.11和0.12，而无图案组是0.45），这样一来网络动态的维度就变高了。对于所有目标波形来说，晶格网络在所有目标波形上表现得都比层次网络好，这可能是因为模块之间的连接更密，产生了更高的放电频率，让线性解码器有更多信号可用。
实验发现，老鼠的脑神经元其实是“新型计算资源”
通过格子网络和层级网络，这系统学会了怎么生成周期为4秒、10秒和30秒的正弦波，还有三角波和方波。而且，同一个培养物能被重新训练，让它以不同频率振荡。研究人员还证明，该系统能够模拟洛伦兹吸引子——一种三维混沌轨迹，在学习阶段，所有维度上预测信号和目标信号之间的成对相关性都超过了0.8。
"这项研究表明，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，"东北大学电气通信研究所的教授山本英明在该机构官网发布的新闻稿中表示。
训练停止后系统转为自主运行，性能出现下降，在99%的试验中，均方误差都有所增加。反馈回路大约330毫秒的延迟也限制了系统跟踪快速变化或陡峭波形的能力。研究人员指出，通过专用硬件或替代滤波方案减少这种延迟，能够扩大可学习目标的种类，未来应用还可能拓展到脑机接口和神经假肢装置。
热门跟贴