科學家用活體神經(jīng)元完成計算任務，腦機融合邁出驚人一步

現(xiàn)實版“缸中之腦”來了？在實驗室的培養(yǎng)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(fā)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(yǎng)的大鼠皮層活神經(jīng)元可被訓練，并用于執(zhí)行由傳統(tǒng)人工神經(jīng)網(wǎng)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(jīng)元網(wǎng)絡展現(xiàn)出高維動力學特性。通過將培養(yǎng)的生物神經(jīng)元網(wǎng)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(jīng)元原本是自發(fā)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(jīng)元“關”到一個個小房間里（空間分區(qū)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(lián)系。

一方面，該研究為深入探索大腦將無序的神經(jīng)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(jīng)元具有耗電量極低且能自我適應性強的優(yōu)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(jīng)科學和計算技術(shù)交叉的新方向，更展現(xiàn)出 BNN 替代現(xiàn)有機器學習模型的潛力。未來，結(jié)合人類誘導多能干細胞分化的神經(jīng)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(jīng)假體體外研究、神經(jīng)系統(tǒng)疾病的模擬平臺。

（來源：PNAS）

長期以來，人工神經(jīng)網(wǎng)絡（ANN，Artificial Neural Network）和脈沖神經(jīng)網(wǎng)絡（SNN，Spiking Neural Network）通常應用于機器學習和神經(jīng)形態(tài)硬件領域。基于這類網(wǎng)絡，儲層計算框架也隨之發(fā)展起來，它借助循環(huán)連接的 ANN 和 SNN 的動態(tài)特性，為處理時變數(shù)據(jù)提供了一種高效的方法。

在傳統(tǒng)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(xù)修正輸出信號、減小誤差，進而實現(xiàn)實時自適應。

這些技術(shù)使人工系統(tǒng)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(jīng)網(wǎng)絡？盡管該方向此前已有探索，但長期以來尚未形成統(tǒng)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(yǎng)的大鼠皮層神經(jīng)元構(gòu)建了生物神經(jīng)網(wǎng)絡，并將其整合到儲層計算框架中。該研究的關鍵創(chuàng)新之一在于，利用微流控裝置精確引導神經(jīng)元生長并控制網(wǎng)絡連接。

研究人員在由 26,400 通道構(gòu)成的高密度微電極陣列上培養(yǎng)神經(jīng)元，其動作電位被實時記錄、濾波后轉(zhuǎn)化成連續(xù)信號。然后，經(jīng)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(zhuǎn)化為電脈沖，再回輸?shù)脚囵B(yǎng)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(shù)窗口和軟硬件延遲約 200 毫秒。

他們通過應用 FORCE 學習算法優(yōu)化系統(tǒng)的讀出層，不僅顯著降低了內(nèi)存需求，還成功訓練這些生物網(wǎng)絡，使其能夠產(chǎn)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(gòu)建了模塊化網(wǎng)絡架構(gòu)，可最大限度避免神經(jīng)元過度同步，讓網(wǎng)絡呈現(xiàn)出高效儲層計算所需的豐富、高維動態(tài)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(nèi)的混沌軌跡。值得關注的是，這種神經(jīng)網(wǎng)絡展現(xiàn)出優(yōu)異的靈活性，能夠在同一系統(tǒng)中學習并穩(wěn)定再現(xiàn) 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(zhàn)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(jié)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(jīng)成功捕捉到了混沌軌跡的主要結(jié)構(gòu)。

圖丨相關論文（來源：PNAS）

“這項研究表明，活體神經(jīng)元網(wǎng)絡不僅是具有生物學意義的系統(tǒng)，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(jié)合神經(jīng)科學和機器學習的優(yōu)勢，我們正在利用生物系統(tǒng)的內(nèi)在動態(tài)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(tǒng)學習結(jié)束后性能衰減，以及 330 毫秒閉環(huán)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(jié)束后信號生成的穩(wěn)定性。

據(jù)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(yī)學等領域的應用價值，例如成為研究藥物反應和模擬神經(jīng)系統(tǒng)疾病的微生理系統(tǒng)。

當神經(jīng)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