日本团队训练大鼠神经元，可实时执行 AI 计算任务

日本科学家成功训练大鼠神经元，实现自主AI计算新突破

近日，科技媒体Tom‘s Hardware报道了一项前沿研究成果。来自日本东北大学与未来大学的联合团队，通过创新的“闭环储备池计算”实时机器学习框架，成功训练了大鼠皮层神经元，使其能够自主生成复杂的时序信号。这项研究不仅听起来充满科幻感，更标志着生物计算领域迈出了实质性的一步。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

活体神经元与计算系统的深度融合

该技术的核心在于，将活体神经元与高密度微电极阵列、微流控设备进行精密集成。由此构建的生物混合计算系统，其独特优势在于无需依赖外部持续指令输入，即可自主学习和生成周期性乃至混沌波形，独立完成AI计算任务。这为开发新型生物计算平台开辟了全新的技术路径。

物理约束：优化神经网络信息处理能力的关键

如何引导神经元网络执行特定的计算任务？关键在于对其连接方式进行巧妙的物理约束。研究人员发现，若任由培养的神经元自由生长，它们会形成高度同步化的网络，这种状态类似于集体齐声呐喊，反而不利于处理复杂信息，难以学习目标信号。

为此，团队采用PDMS（聚二甲基硅氧烷）微流控薄膜，将神经元胞体精确限制在128个微型微孔内，并通过预设的微通道实现可控连接。他们构建了格型与分层型两种网络拓扑结构。这种设计并非简单限制，而是有效提升了网络动力学的复杂性与维度。效果显著，神经元间的两两相关性从0.45大幅降低至0.12，表明网络获得了更丰富、更独立的动态响应与信息处理潜力。

卓越性能展现与当前技术瓶颈

实验测试结果令人鼓舞。其中，格型网络在所有目标波形生成任务中均表现出色。这套基于活体神经元的计算系统，能够稳定生成周期为4秒、10秒和30秒的正弦波、三角波与方波。更引人注目的是，它甚至能有效逼近三维混沌动力学中的经典模型——洛伦兹吸引子。在学习阶段，其预测信号与目标信号的相关性超过0.8，展现了强大的时序信号学习与模拟能力。

正如东北大学山本英明教授所指出，这项研究证实了活体神经元网络不仅是一个生物学研究对象，更是一种极具潜力的新型计算资源，值得深入开发和利用。

当然，这项前沿技术迈向实用化仍面临挑战。一个明显的瓶颈是，当训练停止、系统转入完全自主运行模式后，输出误差会随时间累积增大。此外，反馈环路中存在的约330毫秒延迟，也限制了系统对快速变化波形（如语音信号）的实时追踪能力。这些都是未来研究中需要攻克的关键技术难题。

结语：面向脑机接口与神经假体的新前景

面对当前挑战，研究团队已规划了明确的技术路线。他们计划通过开发专用硬件来显著降低系统延迟，并进一步探索该技术在脑机接口、神经假体设备等领域的应用潜力。这条融合生物学与计算科学的研究道路虽然漫长，但每一步进展都扎实而充满想象空间。

附上参考地址：Online supervised learning of temporal patterns in biological neural networks under feedback control