PNAS | 體外神經網絡也能“學會”時間模式：從自發放電到有組織輸出

一鍵關注，點亮星標 ?? 前沿不走丟！

認知神經科學前沿文獻分享

基本信息

Title:Online supervised learning of temporal patterns in biological neural networks under feedback control

發表時間：2026.3.12

發表期刊:PNAS

影響因子：9.1

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

引言

大腦并不是一臺只會 “接收輸入—給出輸出” 的被動機器。無論是在行走、抓握，還是維持姿勢時，神經系統都在持續生成內部活動，并依靠感覺反饋不斷修正動作。

問題在于，這種看似嘈雜、混亂的神經活動，究竟能不能被馴化為有用的時間信號？這不僅關系到我們如何理解運動控制，也關系到一種越來越受關注的方向：把活體神經網絡（biological neural networks, BNNs）當作可計算的“生物硬件”來使用。

過去，基于體外培養神經元的儲備池計算（reservoir computing）研究已經證明，活細胞網絡并非只能被觀察，也可以承擔一定計算任務。但一個長期存在的難點是，普通培養條件下的神經元很容易形成過度致密的連接，并出現全局同步爆發。這種“大家一起放電”的狀態雖然活躍，卻不利于產生豐富、可分離的高維動態，也就很難支撐精細的時序學習。

這篇文章的關鍵突破在于，作者沒有直接把體外神經網絡當成天然黑箱，而是先用微流控器件（microfluidic devices）對網絡結構進行“工程化塑形”，再把它與高密度微電極陣列（high-density microelectrode array, HD-MEA）和閉環控制系統結合起來。這樣一來，研究者不僅能實時記錄神經活動，還能把網絡當前輸出重新反饋給網絡本身，在線訓練它逐步逼近目標波形。文章真正想回答的是：活體神經網絡是否能在反饋控制下，像遞歸神經網絡（rRNN）那樣，把原本復雜而自發的活動組織成有結構的時間軌跡。答案是可以，而且網絡的“結構設計”正是成敗關鍵。

實驗設計與方法邏輯

作者先培養大鼠皮層神經元，并利用微流控圖案把網絡分別構造成均質型、晶格模塊型和層級模塊型三類結構，再通過高密度微電極陣列實時記錄放電活動。系統將神經尖峰轉換為連續“儲備池狀態”，經線性讀出器生成輸出，并把輸出映射為反饋刺激重新送回網絡；讀出權重則用FORCE學習算法（first-order reduced and controlled error）在線更新。借此，作者比較不同網絡拓撲在周期信號與混沌信號學習中的表現，進而判斷哪些動力學特征最有利于時序生成。

Fig. 1. Overview of the experimental setup.

核心發現

模塊化連接先解決了“過度同步”這個根本障礙

論文首先證明，網絡能不能學會復雜時序，前提不是“更活躍”本身，而是不能陷入全局同步。圖2最值得看：均質網絡表現出跨整片芯片同步爆發，而晶格型和層級型網絡的活動更分散，平均相關性明顯下降，同時主成分方差分布更寬，說明動力學維度更高。作者借此建立了一個核心邏輯：只有當網絡內部狀態足夠豐富、不過度鎖死，后續的反饋學習才有可利用的計算空間。

Fig. 2. Spontaneous activity of homogeneous and engineered BNNs.

閉環訓練能把活體神經網絡“帶”到目標節律上

圖3展示了這項工作的技術亮點：原本自發、無規則的體外神經活動，在加入反饋并啟動FORCE學習后，可以逐步生成與目標正弦波接近的輸出。更重要的是，這不是簡單的刺激驅動，而是讀出權重在在線更新后，網絡本身開始維持目標節律。作者還進一步展示了三角波和方波等非單一頻率信號，說明該系統學習的不是某一種特定波形，而是具有一定普適性的時序生成能力。

Fig. 3. FORCE learning in BNNs.

晶格型模塊網絡表現最好

而且能覆蓋不同時間尺度

如果只看“能不能學會”，模塊化網絡已經勝出；如果進一步比較“誰學得更好”，圖3C和圖4給出的答案是晶格型網絡。它在4秒、10秒和30秒周期的正弦波任務中都取得更低誤差，而且同一培養網絡在訓練后還能維持不同頻率的振蕩輸出。圖4之所以關鍵，在于它把現象和機制連了起來：學習后的權重分布并非局限在局部，而是動員整個網絡；同時神經狀態軌跡從雜亂云團收束到更有結構的吸引子轉換，說明輸出不是“碰巧擬合”，而是建立了可重復的狀態動力學。

Fig. 4. Versatility of BNN reservoirs and their supporting network dynamics.

這套系統不僅能學周期波，還能逼近混沌軌跡

文章沒有停留在規則振蕩，而是進一步挑戰了Lorenz吸引子（Lorenz attractor）這一經典混沌系統。圖5表明，工程化后的網絡在學習階段可以較好跟隨三維目標軌跡，各維度預測與目標的相關性都超過0.8；但作者也很克制地指出，這更像概念驗證，而不是高精度重建。尤其在高振幅峰值和停止在線更新后的階段，輸出會逐漸偏離目標。這個結果的重要性在于，它把活體神經網絡的能力邊界從“能做簡單周期器”推進到了“有望逼近復雜非線性動力學”。

Fig. 5. Learning a nonlinear chaotic equation.

歸納總結和點評

這篇工作最有價值的地方，不只是把體外培養神經元接入了一個閉環系統，而是證明了“結構工程 + 實時反饋 + 在線學習”可以把原本雜亂的生物神經活動組織成有功能的時間模式。作者沒有夸大體外神經網絡的能力，反而清楚展示了后學習階段穩定性下降、閉環延遲較大等限制，這讓整項研究更可信。整體來看，這篇文章為理解皮層如何把高維神經活動轉化為連貫輸出提供了一個可操作模型，也為生物儲備池計算和低能耗神經形態計算打開了非常具體的新路徑。

請打分

這篇剛剛登上PNAS的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區分享您的深度見解。

分享人：BQ

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」，為你打破信息差

科研是一場探索未知的長跑，但你無需獨行。歡迎志同道合的你加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵分享，讓更多人了解前沿