据科技媒体 Tom's Hardware 报道，日本东北大学与未来大学的研究团队近日成功训练大鼠的皮层神经元，利用一种实时机器学习框架，能够自主生成复杂的时序信号。这项突破性研究为神经元在 AI 计算中的应用开辟了新的可能性。

研究团队通过将活体神经元与高密度微电极阵列和微流控设备结合，构建了一种名为 “闭环储备池计算”（Reservoir Computing）的系统。该系统的独特之处在于，能够无需外部输入，自主学习并生成周期性及混沌波形，从而执行多种 AI 计算任务。

团队的核心技术是利用聚二甲基硅氧烷（PDMS）微流控薄膜来约束神经元之间的连接。研究表明，在没有物理约束的情况下，神经元会形成高度同步化的网络，这种状态下无法有效学习目标信号。为了解决这一问题，研究者们将神经元细胞体限制在128个微型微孔中，通过微通道连接，形成格型和分层两种网络结构。这一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，使得系统性能得到提升。

在测试中，格型网络展现出了优异的性能，能够生成周期为4秒、10秒和30秒的正弦波、三角波及方波，甚至能够逼近三维混沌轨迹 —— 洛伦兹吸引子。学习阶段，系统预测信号与目标信号的相关性超过了0.8，显示出良好的学习能力。东北大学的山本英明教授表示，活体神经元网络不仅具有生物学意义，同时也能作为新型计算资源。

尽管取得了一定的成果，团队仍面临一些技术挑战，尤其是在性能上。研究显示，训练停止后，系统在自主运行时误差会增加，并且反馈环路的330毫秒延迟限制了系统追踪快速变化波形的能力。未来，科研团队希望通过开发专用硬件来降低延迟，从而拓展该技术在脑机接口和神经假体设备中的应用前景。

划重点: