Университет Тохоку 3 апреля 2026 года
Исследовательская группа из Университета Тохоку и Университета будущего в Хакодатэ продемонстрировала, что живые биологические нейроны можно обучить выполнять задачу контролируемого обучения временным закономерностям, которую ранее решали только искусственные системы. Интегрировав культивируемые нейронные сети в систему машинного обучения, команда показала, что эти биологические системы могут генерировать сложные сигналы временных рядов, что является значительным шагом вперед как в нейробиологии, так и в биоинформатике.
Исследование, опубликованное 12 марта 2026 года в онлайн-версии журнала Proceedings of the National Academy of Sciences (PNAS), демонстрирует новое сочетание живых нейронных систем и вычислительных технологий. Полученные результаты позволяют предположить, что биологические нейронные сети (БНС) могут стать жизнеспособной альтернативой или дополнением к существующим моделям машинного обучения.
Искусственные нейронные сети (ИНС) и спайковые нейронные сети (СНС) уже давно используются в машинном обучении и нейроморфных устройствах. В качестве эффективного подхода к обработке зависящих от времени данных с использованием динамических свойств рекуррентно связанных ИНС и СНС появилась концепция, известная как резервуарные вычисления.
В традиционных вычислениях на основе искусственных нейронных сетей такие методы, как обучение с пониженной и контролируемой ошибкой первого порядка (First-Order Reduced and Controlled Error, FORCE), обеспечивают адаптацию в режиме реального времени за счет непрерывной корректировки выходных сигналов в ответ на ошибки. Эти методы позволяют искусственным системам генерировать широкий спектр временных паттернов, включая периодические и хаотические сигналы. Однако вопрос о том, можно ли применять аналогичные подходы к биологическим нейронным сетям, остается открытым.
Чтобы восполнить этот пробел, исследователи создали биологические нейронные сети с использованием культивированных нейронов коры головного мозга крыс и внедрили их в систему резервуарных вычислений. С помощью метода обучения FORCE для оптимизации считывающего слоя системы команда успешно обучила биологические сети генерировать сложные временные сигналы, сравнимые с теми, которые участвуют в управлении моторикой.
Ключевым нововведением в исследовании стало использование микрофлюидных устройств для точного управления ростом нейронов и контроля сетевых связей. Такой подход позволил исследователям создать модульные сетевые архитектуры, которые сводят к минимуму чрезмерную синхронизацию, тем самым способствуя развитию сложной многомерной динамики, необходимой для эффективных вычислений.
С помощью этой системы фреймворк на основе BNN смог генерировать различные паттерны временных рядов, в том числе синусоидальные, треугольные, прямоугольные волны и даже хаотические траектории, такие как аттрактор Лоренца. Примечательно, что сеть продемонстрировала гибкость, обучаясь и стабильно воспроизводя синусоидальные волны с периодом от 4 до 30 секунд в рамках одной системы.
"Эта работа показывает, что живые нейронные сети являются не только биологически значимыми системами, но и могут служить в качестве новых вычислительных ресурсов. Объединяя нейробиологию и машинное обучение, мы открываем путь к новым формам вычислений, использующим внутреннюю динамику биологических систем".
Хидэаки Ямамото, профессор Университета Тохоку
В перспективе исследовательская группа планирует повысить стабильность генерации сигнала после завершения обучения. Дальнейшие усилия будут направлены на сокращение задержек обратной связи и совершенствование алгоритма обучения FORCE. Кроме того, платформу можно будет использовать в качестве микрофизиологической системы для изучения реакции на лекарственные препараты и моделирования неврологических расстройств, что расширит ее применение как в научной, так и в медицинской сфере.
Источник:
Университет Тохоку
Ссылка на журнал:
Соно, Ю., и др. (2026). Онлайн-обучение с учителем для выявления временных закономерностей в биологических нейронных сетях под управлением обратной связи. Proceedings of the National Academy of Sciences. DOI: 10.1073/pnas.2521560123. https://www.pnas.org/doi/10.1073/pnas.2521560123
Чтобы написать отзыв нужно авторизоватся