概括：生物学和计算机科学之间的界限变得更加模糊。研究人员已成功训练活体大鼠神经元来执行复杂的机器学习任务。该研究将培养的神​​经元网络整合到“储层计算”框架中。

使用一种称为“力学习”的技术，该团队教会这些生物电路生成复杂的数学模式（包括混沌洛伦兹吸引子），证明活的“湿件”可以作为一种功能性的实时计算资源。

主要事实

• 油藏计算：该框架利用网络（存储库）的“自然”混乱性和复杂性来处理数据。科学家们没有训练每个神经元，而是只训练解释网络活动的“读出”层。
• 强制学习：一种根据误差实时调整输出信号的方法。这是该技术首次成功应用于生物神经网络（BNN）生成时间序列数据。
• “混沌”测试：活的神经元不仅学习简单的正弦波，还学习简单的正弦波。他们成功复制了洛伦兹吸引子，一组复杂的方程，用于模拟天气模式等混沌系统。
• 微流控精度：研究人员使用微小的“管道”（微流体）来指导神经元如何生长。通过创建模块化的细胞“邻居”，他们阻止了所有神经元同时放电（同步），这对于高级计算至关重要。
• 多功能性：同样的生物系统足够灵活，可以学习周期为 4 到 30 秒的波，这表明生命网络具有非常强的适应性。

来源：东北大学

东北大学和函馆未来大学的一个研究小组证明，可以训练活的生物神经元来执行以前由人工系统执行的监督时间模式学习任务。

通过将培养的神​​经元网络集成到机器学习框架中，该团队表明这些生物系统可以生成复杂的时间序列信号，标志着神经科学和仿生计算向前迈出了重要一步。

该研究在线发表于美国国家科学院院刊 (PNAS)2026 年 3 月 12 日，强调活神经系统和计算技术之间的新颖交叉。研究结果表明，生物神经网络（BNN）可以作为现有机器学习模型的可行替代方案或补充。

人工神经网络 (ANN) 和尖峰神经网络 (SNN) 长期以来一直用于机器学习和神经形态硬件。一种称为水库计算的框架已经成为一种通过利用循环连接的 ANN 和 SNN 的动态特性来处理时间相关数据的有效方法。

在传统的基于 ANN 的油藏计算中，一阶减少和控制误差 (FORCE) 学习等方法通过不断调整输出信号来响应误差，从而实现实时适应。

这些技术允许人工系统生成各种时间模式，包括周期性信号和混沌信号。然而，类似的方法是否可以应用于生物神经网络仍然是一个悬而未决的问题。

为了解决这一差距，研究人员利用培养的大鼠皮层神经元构建了生物神经网络，并将其纳入储存库计算框架中。

通过应用 FORCE 学习来优化系统的读出层，该团队成功地训练了生物网络，以产生与运动控制中涉及的信号相当的复杂时间信号。

该研究的一个关键创新是使用微流体装置来精确引导神经元生长和控制网络连接。这种方法使研究人员能够创建模块化网络架构，最大限度地减少过度同步，从而促进有效储层计算所需的丰富、高维动态。

使用该系统，基于 BNN 的框架能够生成各种时间序列模式，包括正弦波、三角波、方波，甚至洛伦兹吸引子等混沌轨迹。值得注意的是，该网络通过在同一系统内学习并稳定地再现周期为 4 至 30 秒的正弦波，展现了灵活性。

东北大学教授 Hideaki Yamamoto 表示：“这项工作表明，活神经元网络不仅是具有生物学意义的系统，而且还可以作为新颖的计算资源。”

“通过连接神经科学和机器学习，我们正在开辟一条通往利用生物系统内在动力学的新计算形式的途径。”

展望未来，研究团队的目标是提高训练结束后信号生成的稳定性。未来的努力将集中在减少反馈延迟和完善 FORCE 学习算法上。与此同时，该平台可以扩展到一个微生理系统，用于研究药物反应和模拟神经系统疾病，进一步扩大其在科学和医学领域的影响。

回答的关键问题：

一个：我们正在朝这个方向前进！这就是所谓的“湿件计算”。与传统的硅芯片不同，这些生物储存库利用活细胞固有的“嘈杂”物理学来解决问题。它们具有令人难以置信的能源效率，并且能够以严格的人工智能模型经常难以应对的方式适应新信息。

一个：这就像一个指挥家指挥一个管弦乐队。神经元的“蓄水池”已经在演奏一百万个不同的音符。研究人员使用强制学习聆听这些音符并“奖励”符合他们想要的模式（如正弦波）的音符。随着时间的推移，输出层会准确地学习“聆听”哪些神经元以获得正确的结果。

一个：生物学是终极大师并行处理。单个生物网络可以用很少的功率处理大量与时间相关的数据。此外，这些系统可用于测试药物如何影响“思维”回路，或在培养皿中模拟神经系统疾病，而无需动物测试。