日本团队训练大鼠神经元，实现实时 AI 运算任务

据科技媒体 Tom’s Hardware 报道，日本东北大学与未来大学的研究人员近日将大鼠皮层神经元训练为可在实时机器学习框架下运行，能够自主生成复杂的时间序列信号。这一突破为把神经元用于 AI 计算提供了新的思路。

团队将活体神经元与高密度微电极阵列和微流控装置结合，构建出一套名为“闭环储备池计算”（Reservoir Computing）的系统。该系统的亮点在于无需外部输入，也能自行学习并产生周期性与混沌波形，从而完成多种 AI 计算任务。

核心技术是利用聚二甲基硅氧烷（PDMS）微流控薄膜来限制神经元之间的连接。研究发现，没有物理约束时，神经元会形成高度同步的网络，难以有效学到目标信号。为解决这一问题，研究者将神经元胞体安置在 128 个微小孔洞中，通过微通道连接，搭建出格型与分层两种网络结构。该设计显著提升了网络的动力学维度，降低了神经元之间的相关性，从而提升系统表现。

在测试中，格型网络展现出更优表现，能够生成周期为 4 秒、10 秒和 30 秒的正弦波、三角波与方波，甚至可逼近三维混沌轨迹——洛伦兹吸引子。训练阶段，系统输出与目标信号的相关系数超过 0.8，显示出良好的学习能力。东北大学山本英明教授表示，活体神经元网络不仅具有生物学意义，也有望成为一种新型计算资源。

尽管成果显著，团队仍面临一些技术挑战，尤其是性能方面。训练停止后，系统在自主运行时误差会变大；此外，反馈环路约 330 毫秒的延迟限制了对快速变化波形的跟踪能力。未来，研究人员计划开发专用硬件以降低延迟，进一步拓展该技术在脑机接口和神经假体设备中的应用。

划重点:

🌟 日本团队成功训练大鼠神经元，可自主产生复杂时序信号。  

🧠 依托微流控技术，构建闭环储备池计算系统，无需外部输入即可学习。  

⚙️ 未来将通过硬件优化，拓展其在脑机接口与神经假体中的应用。