4月7日，科技媒体tom's hardware披露，日本东北大学联合未来大学的研究团队近期成功实现对大鼠皮层神经元的定向训练，使其依托实时机器学习框架，自主生成高复杂度的时序信号。
该团队将活体神经元与高密度微电极阵列及微流控平台深度融合，搭建出一套“闭环式储备池计算”系统。该系统在无外界信号驱动的前提下，即可完成对周期性与混沌型波形的学习与再生，并执行类人工智能的计算任务。其关键技术路径在于采用PDMS材质的微流控薄膜，对神经元之间的连接拓扑进行物理限定。实验表明，若缺乏结构约束，体外培养的神经元易自发形成高度同步化网络，丧失对目标信号的学习能力。为此，研究人员将神经元胞体精准锚定于128个微型微孔内，并通过微通道实现可控互联，构建出格状与分层两种典型网络构型，使神经元两两间的功能相关性由0.45显著降低至0.12。
实测数据表明，格状网络展现出最佳性能，可稳定输出周期为4秒、10秒和30秒的正弦波、三角波与方波，并能高保真复现三维混沌系统——洛伦兹吸引子的动态轨迹；在学习阶段，其预测输出与目标信号的相关系数突破0.8。东北大学山本英明教授指出：“这类活体神经元网络不仅具备生物学意义，更具备成为全新范式计算载体的巨大潜力。”然而，当前技术仍面临若干关键挑战：一旦训练终止进入自主运行模式，系统误差逐步上升；同时，约330毫秒的反馈延迟制约了其对高频动态波形的实时跟踪能力。研究团队下一步拟开发定制化硬件以压缩延迟，进一步推动该技术在脑机接口与神经假体等前沿领域的实用化进程。
