一鍵關注，點亮星標 ?? 前沿不走丟！

認知神經(jīng)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(fā)表時間：2026.3.12

發(fā)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(jīng)系統(tǒng)都在持續(xù)生成內(nèi)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(jīng)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?nèi)绾卫斫膺\動控制，也關系到一種越來越受關注的方向：把活體神經(jīng)網(wǎng)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(yǎng)神經(jīng)元的儲備池計算（reservoir computing）研究已經(jīng)證明，活細胞網(wǎng)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(yǎng)條件下的神經(jīng)元很容易形成過度致密的連接，并出現(xiàn)全局同步爆發(fā)。這種“大家一起放電”的狀態(tài)雖然活躍，卻不利于產(chǎn)生豐富、可分離的高維動態(tài)，也就很難支撐精細的時序?qū)W習。

這篇文章的關鍵突破在于，作者沒有直接把體外神經(jīng)網(wǎng)絡當成天然黑箱，而是先用微流控器件（microfluidic devices）對網(wǎng)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(huán)控制系統(tǒng)結合起來。這樣一來，研究者不僅能實時記錄神經(jīng)活動，還能把網(wǎng)絡當前輸出重新反饋給網(wǎng)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(jīng)網(wǎng)絡是否能在反饋控制下，像遞歸神經(jīng)網(wǎng)絡（rRNN）那樣，把原本復雜而自發(fā)的活動組織成有結構的時間軌跡。答案是可以，而且網(wǎng)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(yǎng)大鼠皮層神經(jīng)元，并利用微流控圖案把網(wǎng)絡分別構造成均質(zhì)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(tǒng)將神經(jīng)尖峰轉(zhuǎn)換為連續(xù)“儲備池狀態(tài)”，經(jīng)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(wǎng)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(wǎng)絡拓撲在周期信號與混沌信號學習中的表現(xiàn)，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(fā)現(xiàn)

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(wǎng)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(zhì)網(wǎng)絡表現(xiàn)出跨整片芯片同步爆發(fā)，而晶格型和層級型網(wǎng)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(wǎng)絡內(nèi)部狀態(tài)足夠豐富、不過度鎖死，后續(xù)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(huán)訓練能把活體神經(jīng)網(wǎng)絡“帶”到目標節(jié)律上

圖3展示了這項工作的技術亮點：原本自發(fā)、無規(guī)則的體外神經(jīng)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(qū)動，而是讀出權重在在線更新后，網(wǎng)絡本身開始維持目標節(jié)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(tǒng)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(wǎng)絡表現(xiàn)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(wǎng)絡已經(jīng)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(wǎng)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(yǎng)網(wǎng)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(xiàn)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(wǎng)絡；同時神經(jīng)狀態(tài)軌跡從雜亂云團收束到更有結構的吸引子轉(zhuǎn)換，說明輸出不是“碰巧擬合”，而是建立了可重復的狀態(tài)動力學。

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

這套系統(tǒng)不僅能學周期波，還能逼近混沌軌跡

文章沒有停留在規(guī)則振蕩，而是進一步挑戰(zhàn)了Lorenz吸引子（Lorenz attractor）這一經(jīng)典混沌系統(tǒng)。圖5表明，工程化后的網(wǎng)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(jīng)網(wǎng)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(yǎng)神經(jīng)元接入了一個閉環(huán)系統(tǒng)，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(jīng)活動組織成有功能的時間模式。作者沒有夸大體外神經(jīng)網(wǎng)絡的能力，反而清楚展示了后學習階段穩(wěn)定性下降、閉環(huán)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(jīng)活動轉(zhuǎn)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(jīng)形態(tài)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(qū)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(jīng)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