據科技媒體 Tom's Hardware 報道，日本東北大學與未來大學的研究團隊近日成功訓練大鼠的皮層神經元，利用一種實時機器學習框架，能夠自主生成復雜的時序信號。這項突破性研究為神經元在 AI 計算中的應用開辟了新的可能性。

研究團隊通過將活體神經元與高密度微電極陣列和微流控設備結合，構建了一種名為 “閉環儲備池計算”（Reservoir Computing）的系統。該系統的獨特之處在于，能夠無需外部輸入，自主學習并生成周期性及混沌波形，從而執行多種 AI 計算任務。

團隊的核心技術是利用聚二甲基硅氧烷（PDMS）微流控薄膜來約束神經元之間的連接。研究表明，在沒有物理約束的情況下，神經元會形成高度同步化的網絡，這種狀態下無法有效學習目標信號。為了解決這一問題，研究者們將神經元細胞體限制在128個微型微孔中，通過微通道連接，形成格型和分層兩種網絡結構。這一設計顯著提升了網絡的動力學維度，降低了神經元之間的相關性，使得系統性能得到提升。

在測試中，格型網絡展現出了優異的性能，能夠生成周期為4秒、10秒和30秒的正弦波、三角波及方波，甚至能夠逼近三維混沌軌跡 —— 洛倫茲吸引子。學習階段，系統預測信號與目標信號的相關性超過了0.8，顯示出良好的學習能力。東北大學的山本英明教授表示，活體神經元網絡不僅具有生物學意義，同時也能作為新型計算資源。

盡管取得了一定的成果，團隊仍面臨一些技術挑戰，尤其是在性能上。研究顯示，訓練停止后，系統在自主運行時誤差會增加，并且反饋環路的330毫秒延遲限制了系統追蹤快速變化波形的能力。未來，科研團隊希望通過開發專用硬件來降低延遲，從而拓展該技術在腦機接口和神經假體設備中的應用前景。

劃重點: