东北大学与未来大学函馆的研究团队近期证明，活体生物神经元可以被训练来执行此前仅由人工系统完成的监督时序模式学习任务。研究人员将培养得到的神经元网络整合进机器学习框架，展示出这些生物系统能够产生复杂的时间序列信号，这被视为神经科学与仿生计算领域的一项重要突破。

活体神经元与计算技术的结合

这项成果已在线发表在《美国国家科学院院刊》（Proceedings of the National Academy of Sciences），突出了活体神经系统与现代计算技术之间的新型交叉方向。研究结果显示，生物神经网络（BNNs）有望成为现有机器学习模型的替代方案或有力补充。

长期以来，人工神经网络（ANNs）和脉冲神经网络（SNNs）一直被用于机器学习和类脑硬件研究。其中，被称为“水库计算”的框架，是一种高效处理时序数据的方法，它利用递归连接的ANNs和SNNs的动态特性来完成复杂计算。

在传统基于ANN的水库计算中，一阶简化与控制误差（FORCE）学习等方法通过持续根据误差信号调整输出，实现实时适应能力。这类技术使人工系统能够生成多种时间序列模式，包括周期性信号和混沌信号。然而，类似的学习机制能否在生物神经网络中实现，一直缺乏明确证据。

训练生物神经网络完成学习

为解决这一问题，研究团队利用培养的大鼠皮层神经元构建了生物神经网络，并将其嵌入水库计算框架中。通过在系统的读出层应用FORCE学习算法进行优化，研究人员成功训练这些生物网络生成与运动控制相关的复杂时序信号。

本研究的一大技术亮点，是使用微流控装置精确引导神经元的生长路径并调控网络连接结构。借助这一方法，团队构建出模块化的网络架构，降低了网络整体的过度同步现象，从而保留了实现有效水库计算所需的丰富、高维动态行为。

在该系统中，基于BNN的水库计算框架能够产生多种时间序列模式，包括正弦波、三角波、方波，以及类似洛伦兹吸引子的混沌轨迹。

尤其值得关注的是，这一网络展现出较强的灵活性：在同一套系统中，它可以学习并稳定再现周期从 4 秒到 30 秒不等的正弦波信号。

东北大学教授山本秀明表示：“这项工作说明，活体神经网络不仅在生物学研究中具有重要意义，也有潜力成为一种全新的计算资源。”

他进一步指出：“通过连接神经科学与机器学习，我们正在探索利用生物系统内在动力学的新型计算路径。”

展望后续研究，团队计划进一步提升在训练结束后信号生成的稳定性。未来工作将重点放在减少反馈延迟、改进FORCE学习算法等方面。

与此同时，该平台还有望扩展为一种微生理系统，用于研究药物反应和模拟神经疾病，从而在基础科学与医学应用领域发挥更广泛的作用。