大鼠脑细胞成功生成复杂信号 开辟生物计算新路径
实验室中，一簇大鼠脑细胞通过实时电刺激回路训练，成功学会生成正弦波、三角波及混沌信号。这项由日本东北大学等团队完成的研究近日发表于《美国国家科学院院刊》(PNAS)，首次证实培养的大鼠皮层活神经元可被训练执行复杂时间序列信号生成任务。
研究团队创新性地运用微流控装置精确引导神经元生长。体外神经元原本呈自发无序活动，微流控技术将其空间分区定植，既保持局部秩序又允许神经元通过狭窄通道相互联系。通过将生物神经网络（BNN）整合至机器学习框架，团队验证了其动态系统可生成高维时间序列信号。
实验方法与核心突破
研究人员在26,400通道高密度微电极阵列上培养神经元，实时记录并滤波其动作电位。信号经线性解码器映射为目标输出后，转化为电脉冲反馈至培养皿电极，形成闭环系统。控制周期平均332毫秒，包含滤波伪影去除与软硬件延迟。
通过应用FORCE学习算法优化读出层，系统内存需求显著降低。基于方格网状与分层模块化网络架构，生物神经网络成功避免过度同步，呈现出高效储层计算所需的高维动态行为。
图：实验装置包含信号生成任务（A）、数据流闭环系统（B）、网络结构（C）及微流控记录区域（D）
多模态信号生成能力验证
BNN框架能稳定生成多种时间序列：正弦波、三角波、方波，甚至洛伦兹吸引子等混沌轨迹。系统在单一配置下灵活学习4秒至30秒不同周期的正弦波。面对最具挑战性的混沌信号任务，三个维度预测与目标信号相关性均超0.8，表明生物网络已掌握混沌轨迹核心结构。
图：BNN中FORCE学习算法工作流程验证
应用前景与技术挑战
该技术为解读大脑从无序神经活动转化为有序行为指令提供了新思路。活体神经元网络具有超低能耗和强自适应性优势，未来有望发展为比硅基芯片更节能的"湿件"计算平台。潜在应用场景包括：基于人类诱导多能干细胞的药物反应测试、脑机接口研究及神经系统疾病模拟。
研究团队指出当前局限，如训练后性能衰减及330毫秒闭环延迟对高频信号的制约。后续工作将聚焦优化FORCE学习算法、缩短反馈延迟，并推进该平台在医学领域的实用化。日本东北大学助理教授Hideaki Yamamoto强调："活体神经元不仅是生物学模型，更是新型计算资源，通过融合神经科学与机器学习，我们正开辟生物计算新范式。"
图：相关研究成果论文（PNAS）
这项研究不仅推动了神经科学与计算技术的交叉融合，更验证了生物神经网络替代传统机器学习模型的可行性，为发展混合生物-机器计算系统奠定基础。