日本科学家成功训练活体神经元自主生成复杂信号

大家好，最新消息来自科技媒体Tom's Hardware的报道。4月7日，日本东北大学与未来大学联合研究团队公布了一项令人瞩目的成果：他们成功让大鼠的皮层神经元，在机器学习框架的辅助下，自主学会了生成高复杂度的时序信号。简单来说，活体神经元首次实现了“自我学习”与计算任务执行。

该团队将活体神经元与高密度微电极阵列、微流控平台深度融合，构建出一套“闭环式储备池计算”系统。这套系统的独特之处在于，无需外部信号驱动，即可自主完成对周期性及混沌型波形的学习，并像人工智能一样执行复杂计算任务。关键突破在于采用PDMS材质的微流控薄膜，对神经元之间的连接拓扑结构进行物理限定。实验数据表明：若缺乏结构约束，体外培养的神经元极易自发形成高度同步化的网络，一旦同步，学习能力几乎丧失。为解决这一问题，研究人员将神经元胞体精准锚定在128个微型微孔内，并通过微通道实现可控互联，分别构建出格状和分层两种典型网络构型。效果显著——神经元两两之间的功能相关性，从0.45直接降至0.12。

实测数据进一步验证了系统性能。格状网络表现最为优异，能够稳定输出周期为4秒、10秒和30秒的正弦波、三角波和方波，还能高保真地复现三维混沌系统——洛伦兹吸引子的动态轨迹。在学习阶段，其预测输出与目标信号的相关系数突破0.8。东北大学山本英明教授表示：“这类活体神经元网络不仅具有生物学意义，更具备成为全新范式计算载体的巨大潜力。”当然，技术距离完美仍有差距。一旦训练终止，系统进入自主运行模式，误差会逐步上升；同时，约330毫秒的反馈延迟也限制了其对高频动态波形的实时跟踪能力。研究团队下一步计划开发定制化硬件以压缩延迟，从而推动该技术在脑机接口、神经假体等前沿领域的实用化进程。