現(xiàn)實(shí)版“缸中之腦”來(lái)了？在實(shí)驗(yàn)室的培養(yǎng)皿里，一簇大鼠腦細(xì)胞在實(shí)時(shí)電刺激回路訓(xùn)練下，學(xué)會(huì)了生成正弦波、三角波以及混沌信號(hào)。

這項(xiàng)發(fā)表于 PNAS 的研究來(lái)自日本東北大學(xué)（Tohoku University）等團(tuán)隊(duì)。他們首次證明了培養(yǎng)的大鼠皮層活神經(jīng)元可被訓(xùn)練，并用于執(zhí)行由傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)生成的周期性及混沌時(shí)間序列信號(hào)的任務(wù)。

在微流控裝置精確引導(dǎo)下，神經(jīng)元網(wǎng)絡(luò)展現(xiàn)出高維動(dòng)力學(xué)特性。通過(guò)將培養(yǎng)的生物神經(jīng)元網(wǎng)絡(luò)（BNN，Biological Neural Network）整合到機(jī)器學(xué)習(xí)框架中，驗(yàn)證了它們能夠生成復(fù)雜的時(shí)間序列信號(hào)。

需要了解的是，體外神經(jīng)元原本是自發(fā)活動(dòng)、雜亂無(wú)章的，研究團(tuán)隊(duì)的方法相當(dāng)于用微流控芯片將神經(jīng)元“關(guān)”到一個(gè)個(gè)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(wú)序的神經(jīng)活動(dòng)變成有序行為指令的過(guò)程奠定了理論基礎(chǔ)；另一方面，這些活神經(jīng)元具有耗電量極低且能自我適應(yīng)性強(qiáng)的優(yōu)勢(shì)，未來(lái)或許可基于活細(xì)胞制備出比硅基芯片還省電的“濕件”計(jì)算平臺(tái)。

該研究不僅開辟了神經(jīng)科學(xué)和計(jì)算技術(shù)交叉的新方向，更展現(xiàn)出 BNN 替代現(xiàn)有機(jī)器學(xué)習(xí)模型的潛力。未來(lái)，結(jié)合人類誘導(dǎo)多能干細(xì)胞分化的神經(jīng)元，或可替代動(dòng)物實(shí)驗(yàn)成為藥物反應(yīng)測(cè)試平臺(tái)，以及腦機(jī)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(tái)。

（來(lái)源：PNAS）

長(zhǎng)期以來(lái)，人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Network）和脈沖神經(jīng)網(wǎng)絡(luò)（SNN，Spiking Neural Network）通常應(yīng)用于機(jī)器學(xué)習(xí)和神經(jīng)形態(tài)硬件領(lǐng)域?；谶@類網(wǎng)絡(luò)，儲(chǔ)層計(jì)算框架也隨之發(fā)展起來(lái)，它借助循環(huán)連接的 ANN 和 SNN 的動(dòng)態(tài)特性，為處理時(shí)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(chǔ)層計(jì)算中，通過(guò) FORCE（First-Order Reduced and Controlled Error）學(xué)習(xí)算法等方法能夠通過(guò)持續(xù)修正輸出信號(hào)、減小誤差，進(jìn)而實(shí)現(xiàn)實(shí)時(shí)自適應(yīng)。

這些技術(shù)使人工系統(tǒng)能夠生成各種時(shí)間模式，包括周期性和混沌信號(hào)。然而，類似的方法是否適用于生物神經(jīng)網(wǎng)絡(luò)？盡管該方向此前已有探索，但長(zhǎng)期以來(lái)尚未形成統(tǒng)一的答案。

圖丨 BNN 中的 FORCE 學(xué)習(xí)（來(lái)源：PNAS）

為了填補(bǔ)這一空白，研究團(tuán)隊(duì)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(luò)，并將其整合到儲(chǔ)層計(jì)算框架中。該研究的關(guān)鍵創(chuàng)新之一在于，利用微流控裝置精確引導(dǎo)神經(jīng)元生長(zhǎng)并控制網(wǎng)絡(luò)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(dòng)作電位被實(shí)時(shí)記錄、濾波后轉(zhuǎn)化成連續(xù)信號(hào)。然后，經(jīng)由線性解碼器映射為目標(biāo)輸出。

接下來(lái)，該輸出信號(hào)反過(guò)來(lái)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(gè)控制周期平均在 332.5 毫秒左右，其中包含濾波偽影去除時(shí)間約 120 毫秒，以及脈沖計(jì)數(shù)窗口和軟硬件延遲約 200 毫秒。

他們通過(guò)應(yīng)用 FORCE 學(xué)習(xí)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(xùn)練這些生物網(wǎng)絡(luò)，使其能夠產(chǎn)生與運(yùn)動(dòng)控制中類似的復(fù)雜時(shí)間信號(hào)。研究人員基于這種方法構(gòu)建了模塊化網(wǎng)絡(luò)架構(gòu)，可最大限度避免神經(jīng)元過(guò)度同步，讓網(wǎng)絡(luò)呈現(xiàn)出高效儲(chǔ)層計(jì)算所需的豐富、高維動(dòng)態(tài)行為。

基于 BNN 的框架能夠生成多種時(shí)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(guān)注的是，這種神經(jīng)網(wǎng)絡(luò)展現(xiàn)出優(yōu)異的靈活性，能夠在同一系統(tǒng)中學(xué)習(xí)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(wù)。在實(shí)驗(yàn)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(gè)維度的預(yù)測(cè)與目標(biāo)信號(hào)相關(guān)性均在 0.8 以上，說(shuō)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(guān)論文（來(lái)源：PNAS）

“這項(xiàng)研究表明，活體神經(jīng)元網(wǎng)絡(luò)不僅是具有生物學(xué)意義的系統(tǒng)，而且還可以作為新型計(jì)算資源，”東北大學(xué)助理教授 Hideaki Yamamoto 表示，“通過(guò)結(jié)合神經(jīng)科學(xué)和機(jī)器學(xué)習(xí)的優(yōu)勢(shì)，我們正在利用生物系統(tǒng)的內(nèi)在動(dòng)態(tài)特性，走出一條全新的生物計(jì)算路線。”

研究團(tuán)隊(duì)承認(rèn)當(dāng)前的研究仍存在一定的局限性，例如系統(tǒng)學(xué)習(xí)結(jié)束后性能衰減，以及 330 毫秒閉環(huán)延遲在高頻信號(hào)追蹤方面仍存在限制。在未來(lái)的研究階段中，研究人員希望能夠進(jìn)一步提高訓(xùn)練結(jié)束后信號(hào)生成的穩(wěn)定性。

據(jù)團(tuán)隊(duì)計(jì)劃，接下來(lái)的工作重點(diǎn)是減少反饋延遲和改進(jìn) FORCE 學(xué)習(xí)算法。在此基礎(chǔ)上，他們還將拓展該平臺(tái)在科研和醫(yī)學(xué)等領(lǐng)域的應(yīng)用價(jià)值，例如成為研究藥物反應(yīng)和模擬神經(jīng)系統(tǒng)疾病的微生理系統(tǒng)。

當(dāng)神經(jīng)元不僅能來(lái)理解大腦，也可以用于做計(jì)算，或許，這意味著我們正在接近一種介于生物和機(jī)器之間的全新計(jì)算范式。

參考資料：

相關(guān)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