腦機融合邁出驚人一步

現實版「缸中之腦」來了？在實驗室的培養皿裡，一簇大鼠腦細胞在即時電刺激迴路訓練下，學會了產生正弦波、三角波、以及混沌訊號。

這項發表於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的大鼠皮層活神經元可被訓練，並用於執行由傳統人工神經網路產生的週期性及混沌時間序列訊號的任務。

在微流控裝置精確引導下，神經元網路展現出高維度動力學特性。透過將培養的生物神經元網路（BNN，Biological Neural Network）整合到機器學習框架中，驗證了它們能夠產生複雜的時間序列訊號。

需要了解的是，體外神經元原本是自發活動、雜亂無章的，研究團隊的方法相當於用微流控晶片將神經元「關」到一個個小房間裡（空間分區定植），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繫。

一方面，該研究為深入探索大腦將無序的神經活動變成有序行為指令的過程奠定了理論基礎；另一方面，這些活神經元具有耗電量極低且能自我適應性強的優勢，未來或許可基於活細胞製備出比矽基晶片還省電的「濕件」計算平台。

該研究不僅開啟了神經科學和計算技術交叉的新方向，更展現出BNN 取代現有機器學習模型的潛力。未來，結合人類誘導多能幹細胞分化的神經元，或可取代動物實驗成為藥物反應測試平台，以及腦機介面和神經假體體外研究、神經系統疾病的模擬平台。

長期以來，人工神經網路（ANN，Artificial Neural Network）和脈衝神經網路（SNN，Spiking Neural Network）通常應用於機器學習和神經形態硬體領域。基於這類網絡，儲層運算框架也隨之發展起來，它藉助循環連接的ANN 和SNN 的動態特性，為處理時變資料提供了一種高效率的方法。

在傳統的基於ANN 的儲層計算中，透過FORCE（First-Order Reduced and Controlled Error）學習演算法等方法能夠透過持續修正輸出訊號、減小誤差，進而實現即時自適應。

這些技術使人工系統能夠產生各種時間模式，包括週期性和混沌訊號。然而，類似的方法是否適用於生物神經網路？儘管該方向此前已有探索，但長期以來尚未形成統一的答案。

（圖片來源：PNAS）

圖丨BNN 中的FORCE 學習（資料來源：PNAS）

為了填補這一空白，研究團隊利用培養的大鼠皮層神經元建構了生物神經網絡，並將其整合到儲層計算框架中。研究的關鍵創新之一在於，利用微流控裝置精確引導神經元生長並控製網路連接。

研究人員在由26,400 通道構成的高密度微電極陣列上培養神經元，其動作電位被即時記錄、濾波後轉換成連續訊號。然後，經由線性解碼器映射為目標輸出。

接下來，此輸出訊號反過來轉換為電脈衝，再回輸到培養皿中的特定電極，形成回饋迴路。整個控制週期平均在332.5 毫秒左右，其中包含濾波偽影去除時間約120 毫秒，以及脈衝計數視窗和軟硬體延遲約200 毫秒。

他們透過應用FORCE 學習演算法來優化系統的讀出層，不僅顯著降低了記憶體需求，還成功訓練這些生物網絡，使其能夠產生與運動控制中類似的複雜時間訊號。研究人員基於此方法建構了模組化網路架構，可最大限度地避免神經元過度同步，讓網路呈現高效儲層運算所需的豐富、高維度動態行為。

基於BNN 的框架能夠產生多種時間序列模式，包括正弦波、三角波、方波，甚至包括洛倫茲吸引子在內的混沌軌跡。值得關注的是，這種神經網路展現出優異的靈活性，能夠在同一系統中學習並穩定再現4 秒、10 秒和30 秒的正弦波。

產生洛倫茲吸引子軌跡是研究中最具挑戰性的任務。在實驗中，儘管高振幅峰值的還原精度仍有提升空間，但更重要的是，結果顯示三個維度的預測與目標訊號相關性均在0.8 以上，說明BNN 已經成功捕捉到了混沌軌蹟的主要結構。

圖丨相關論文（資料來源：PNAS）

「這項研究表明，活體神經元網路不僅是具有生物學意義的系統，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，“通過結合神經科學和機器學習的優勢，我們正在利用生物系統的內在動態特性，走出一條全新的生物計算路線。”

研究團隊承認目前的研究仍存在一定的局限性，例如係統學習結束後效能衰減，以及330 毫秒閉環延遲在高頻訊號追蹤方面仍有限制。在未來的研究階段中，研究人員希望能進一步提高訓練結束後訊號產生的穩定性。

根據團隊計劃，接下來的工作重點是減少回饋延遲和改進FORCE 學習演算法。在此基礎上，他們也將拓展該平台在科研和醫學等領域的應用價值，例如成為研究藥物反應和模擬神經系統疾病的微生理系統。

當神經元不僅能來理解大腦，也可以用來做計算，或許，這意味著我們正在接近一種介於生物和機器之間的全新計算範式。

（示意圖）

華客|新聞與歷史：腦機融合邁出驚人一步