据日本东北大学和函馆未来大学的一个团队训练培养的大鼠皮层神经元，使用实时机器学习框架自主生成复杂的时间信号。研究发表于 3 月 12 日在 日记美国国家科学院院刊。研究人员将活神经元与高密度微电极阵列和微流体装置集成，创建了一个闭环储库计算系统，该系统学会在没有任何外部输入的情况下产生周期性和混沌波形。
深入了解 TH Premium：人工智能和数据中心
研究人员表示，这项技术是使用 PDMS 微流体薄膜来限制神经元的连接方式。在没有物理限制的情况下，培养的神经元会形成密集、高度同步的网络，这些网络会同步激发，而这些同质网络无法学习任何目标信号。
文章继续如下
相反，研究人员将神经元细胞体限制在 128 个方形孔中，每个孔大约为 100x100 微米，每个孔平均容纳 14.6 个神经元。这些孔通过两种配置的微通道连接：具有均匀最近邻连接的晶格设计，以及具有稀疏、多尺度连接的分层设计。
与无图案培养物相比，两种图案化配置都显着降低了成对神经相关性（分别为 0.11 和 0.12 与 0.45），从而增加了网络动态的维度。点阵网络在所有目标波形上始终优于分层网络，这可能是因为它们更密集的模块间连接产生了更高的发射率，从而为线性解码器提供了更多的信号来处理。
测试表明大鼠大脑神经元是“新颖的计算资源”
使用晶格和分层网络，系统学会了生成周期为 4、10 和 30 秒的正弦波，以及三角波和方波，并且可以重新训练相同的培养物以不同频率振荡。研究人员还证明，该系统可以近似洛伦兹吸引子，即三维混沌轨迹，在学习阶段，所有维度的预测信号和目标信号之间的成对相关性均高于 0.8。
东北大学电气通信研究所教授 Hideaki Yamamoto 在该机构网站上发布的新闻稿中表示：“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，而且还可以作为新型计算资源。”
训练停止且系统自主运行后，性能下降，99% 的试验均方误差增加。反馈环路大约 330 毫秒的延迟也限制了系统跟踪快速变化或尖锐波形的能力。研究人员指出，通过专门的硬件或替代过滤来减少这种延迟可以扩大可学习目标的范围，未来的应用程序可能会扩展到脑机接口和神经假体装置。
关注Google 新闻上的 Tom's Hardware, 或将我们添加为首选来源，在您的源中获取我们的最新新闻、分析和评论。