[智能应用]科学家用活体神经元完成计算任务，脑机融合迈出惊人一步 [复制链接]

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。
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。
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。
“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。

科学家利用活体神经元完成计算任务的突破标志着脑机融合技术的重大进展，其核心突破与应用前景可归纳如下：

一、技术原理与突破
活体神经元计算平台
通过将培养的活体神经元（如大鼠皮层神经元或人类诱导多能干细胞分化的神经元）集成到高密度微电极阵列上，构建生物神经网络（BNN）。这些神经元在电刺激反馈回路的训练下，可生成特定信号（如正弦波、三角波），并完成实时模式识别任务。
示例：实验中，26,400通道的微电极阵列实时记录神经元活动，通过闭环控制实现信号解码与反馈，平均响应周期约332.5

生物神经网络计算：开启全新计算范式的大门
研究背景与突破
长期以来，人工神经网络（ANN）和脉冲神经网络（SNN）在机器学习和神经形态硬件领域广泛应用，基于它们的储层计算框架也为处理时变数据提供了高效方法。在传统基于ANN的储层计算中，FORCE学习算法等能通过持续修正输出信号、减小误差实现实时自适应，使人工系统可生成周期性和混沌信号等各种时间模式。然而，类似方法是否适用于生物神经网络（BNN），此前虽有探索但未形成统一答案。

日本东北大学等团队发表于PNAS的研究填补了这一空白。他们首次证明培养的大鼠皮层活神经元可被训练，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任务。这一突破为神经科学与计算技术的交叉研究开辟了新方向，展现出BNN替代现有机器学习模型的潜力。
研究方法与关键创新
神经元培养与网络构建
研究团队在由26,400通道构成的高密度微电极阵列上培养大鼠皮层神经元。体外神经元原本自发活动、杂乱无章，团队利用微流控装置精确引导神经元生长并控制网络连接，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），留下狭窄通道，让它们之间既能保持秩序又能相互联系。这种独特的培养方式为后续研究奠定了基础。
信号处理与反馈回路
神经元的动作电位被实时记录、滤波后转化成连续信号，经由线性解码器映射为目标输出。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。
FORCE学习算法应用
研究团队应用FORCE学习算法优化系统的读出层，这一关键创新不仅显著降低了内存需求，还成功训练生物网络，使其能够产生与运动控制中类似的复杂时间信号。通过构建模块化网络架构，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。
研究成果与优势
多种时间序列模式生成
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。在生成正弦波方面，该神经网络展现出优异灵活性，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，实验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。
生物神经网络的优势
与传统的硅基芯片等计算平台相比，活神经元具有耗电量极低且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，这为计算技术的发展提供了新的思路和方向。
研究意义与应用前景
理论意义
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。通过研究培养的生物神经元网络在储层计算框架中的表现，我们可以更好地理解大脑的神经活动机制和信息处理方式，有助于揭示大脑的奥秘。
应用前景
药物反应测试平台：未来结合人类诱导多能干细胞分化的神经元，BNN或可替代动物实验成为药物反应测试平台。这不仅可以减少动物实验的使用，还能更准确地模拟人体对药物的反应，为药物研发提供更可靠的实验数据。
脑机接口和神经假体研究：在脑机接口和神经假体体外研究方面，BNN也具有巨大的潜力。它可以为脑机接口的设计和优化提供更接近真实神经系统的模型，提高脑机接口的性能和可靠性；对于神经假体的研究，BNN可以帮助我们更好地理解神经信号的传递和处理，为开发更有效的神经假体提供理论支持。
神经系统疾病模拟平台：BNN还可作为神经系统疾病的模拟平台，帮助研究人员深入了解神经系统疾病的发病机制和发展过程，为开发新的治疗方法提供依据。
研究局限性与未来展望
研究局限性
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，这可能会影响BNN在实际应用中的稳定性和可靠性；330毫秒闭环延迟在高频信号追踪方面仍存在限制，限制了其在一些对实时性要求较高的场景中的应用。
未来展望
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，减少反馈延迟和改进FORCE学习算法。在此基础上，拓展该平台在科研和医学等领域的应用价值，使其在药物反应研究、神经系统疾病模拟等方面发挥更大的作用。当神经元不仅能用于理解大脑，还可以用于做计算，我们或许正在接近一种介于生物和机器之间的全新计算范式，这将为计算科学和神经科学的发展带来深远的影响。