研究表明人工培养的大脑可以改善时间序列数据的处理

大脑由数十亿个相互连接的神经元组成，这些神经元负责传输和处理信息，并使其能够充当高度复杂的信息处理系统。为了使其尽可能高效，大脑开发了多个负责不同功能的模块，例如感知和身体控制。在一个区域内，神经元形成多个簇并作为模块发挥作用——这是一个在整个进化过程中基本保持不变的重要特征。

尽管如此，关于大脑网络的特定结构(例如模块化结构)如何与神经元的物理和化学特性一起处理信息，仍然有许多悬而未决的问题。

储层计算是一种受大脑能力启发的计算模型，其中储层包含大量互连的节点，可将输入信号转换为更复杂的表示形式。

现在，一个研究团队开发了基于存储计算的机器学习，以分析由源自大鼠大脑皮层的神经元(即大鼠皮层神经元)组成的“人工培养大脑”的计算能力。

该团队的研究结果于2023年6月12日发表在《美国国家科学院院刊》上，由东北大学研究人员TakumaSumi、HideakiYamamoto和AyumiHirano-Iwata领导。他们与函馆未来大学的YuichiKatori合作。

“利用光遗传学和荧光钙成像，我们首先记录了培养的神经元网络的多细胞反应，”山本说。“然后我们使用储存库计算对其进行解码，发现人工培养的大脑具有数百毫秒的短期记忆，可用于对时间序列数据进行分类，例如口语数字。”

即使在训练和测试期间切换扬声器，基于生物神经元的存储计算机也可以用于对口语数字进行分类。与没有说话者切换时相比，切换后的分类精度有所下降，但分类精度高于机会水平。当输入信号直接由线性分类器解码时，这种分类是不可能的，这表明生物神经元充当泛化过滤器来提高储层计算的性能。图片来源：Yamamoto等人。

研究发现，模块化程度较高的样本表现出更好的分类性能。此外，在一个数据集上训练的模型能够将另一个数据集分类为同一类别，这表明人工培养大脑可以过滤信息以提高存储计算性能。

山本补充道：“这些发现推进了我们对由生物神经元组成的神经元网络内信息处理的机械理解，并使我们朝着基于生物神经元的物理储存计算机的潜在实现发展。”