PsyBrain 脑心前沿 / 综合神经科学：顶刊文献解读专题 / A · 文献解读 / A046 · PNAS体外神经网络也能“学会”时间模式：从自发放电到有

A046 PNAS | 体外神经网络也能“学会”时间模式：从自发放电到有组织输出

来源：公众号 PSY-Brain_Frontier ｜发布：2026-03-20 ｜原文链接

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

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

发表时间：2026.3.12

发表期刊: PNAS

影响因子：9.1

获取原文：

*添加小助手:*PSY-Brain-Frontier即可获取PDF版本
点击页面底部“阅读原文”即可跳转论文原网页

引言

大脑并不是一台只会 “接收输入—给出输出” 的被动机器。无论是在行走、抓握，还是维持姿势时，神经系统都在持续生成内部活动，并依靠感觉反馈不断修正动作。

问题在于，这种看似嘈杂、混乱的神经活动，究竟能不能被驯化为有用的时间信号？这不仅关系到我们如何理解运动控制，也关系到一种越来越受关注的方向：把活体神经网络（biological neural networks, BNNs）当作可计算的“生物硬件”来使用。

过去，基于体外培养神经元的储备池计算（reservoir computing）研究已经证明，活细胞网络并非只能被观察，也可以承担一定计算任务。但一个长期存在的难点是，普通培养条件下的神经元很容易形成过度致密的连接，并出现全局同步爆发。这种“大家一起放电”的状态虽然活跃，却不利于产生丰富、可分离的高维动态，也就很难支撑精细的时序学习。

这篇文章的关键突破在于，作者没有直接把体外神经网络当成天然黑箱，而是先用微流控器件（microfluidic devices）对网络结构进行“工程化塑形”，再把它与高密度微电极阵列（high-density microelectrode array, HD-MEA）和闭环控制系统结合起来。这样一来，研究者不仅能实时记录神经活动，还能把网络当前输出重新反馈给网络本身，在线训练它逐步逼近目标波形。文章真正想回答的是：活体神经网络是否能在反馈控制下，像递归神经网络（rRNN）那样，把原本复杂而自发的活动组织成有结构的时间轨迹。答案是可以，而且网络的“结构设计”正是成败关键。

实验设计与方法逻辑

作者先培养大鼠皮层神经元，并利用微流控图案把网络分别构造成均质型、晶格模块型和层级模块型三类结构，再通过高密度微电极阵列实时记录放电活动。系统将神经尖峰转换为连续“储备池状态”，经线性读出器生成输出，并把输出映射为反馈刺激重新送回网络；读出权重则用FORCE学习算法（first-order reduced and controlled error）在线更新。借此，作者比较不同网络拓扑在周期信号与混沌信号学习中的表现，进而判断哪些动力学特征最有利于时序生成。

Fig. 1. Overview of the experimental setup.

核心发现

模块化连接先解决了“过度同步”这个根本障碍

论文首先证明，网络能不能学会复杂时序，前提不是“更活跃”本身，而是不能陷入全局同步。图2最值得看：均质网络表现出跨整片芯片同步爆发，而晶格型和层级型网络的活动更分散，平均相关性明显下降，同时主成分方差分布更宽，说明动力学维度更高。作者借此建立了一个核心逻辑：只有当网络内部状态足够丰富、不过度锁死，后续的反馈学习才有可利用的计算空间。

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

闭环训练能把活体神经网络“带”到目标节律上

图3展示了这项工作的技术亮点：原本自发、无规则的体外神经活动，在加入反馈并启动FORCE学习后，可以逐步生成与目标正弦波接近的输出。更重要的是，这不是简单的刺激驱动，而是读出权重在在线更新后，网络本身开始维持目标节律。作者还进一步展示了三角波和方波等非单一频率信号，说明该系统学习的不是某一种特定波形，而是具有一定普适性的时序生成能力。

Fig. 3. FORCE learning in BNNs.

晶格型模块网络表现最好

而且能覆盖不同时间尺度

如果只看“能不能学会”，模块化网络已经胜出；如果进一步比较“谁学得更好”，图3C和图4给出的答案是晶格型网络。它在4秒、10秒和30秒周期的正弦波任务中都取得更低误差，而且同一培养网络在训练后还能维持不同频率的振荡输出。图4之所以关键，在于它把现象和机制连了起来：学习后的权重分布并非局限在局部，而是动员整个网络；同时神经状态轨迹从杂乱云团收束到更有结构的吸引子转换，说明输出不是“碰巧拟合”，而是建立了可重复的状态动力学。

图10

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

这套系统不仅能学周期波，还能逼近混沌轨迹

文章没有停留在规则振荡，而是进一步挑战了Lorenz吸引子（Lorenz attractor）这一经典混沌系统。图5表明，工程化后的网络在学习阶段可以较好跟随三维目标轨迹，各维度预测与目标的相关性都超过0.8；但作者也很克制地指出，这更像概念验证，而不是高精度重建。尤其在高振幅峰值和停止在线更新后的阶段，输出会逐渐偏离目标。这个结果的重要性在于，它把活体神经网络的能力边界从“能做简单周期器”推进到了“有望逼近复杂非线性动力学”。

图11

Fig. 5. Learning a nonlinear chaotic equation.

图12

归纳总结和点评

这篇工作最有价值的地方，不只是把体外培养神经元接入了一个闭环系统，而是证明了“结构工程 + 实时反馈 + 在线学习”可以把原本杂乱的生物神经活动组织成有功能的时间模式。作者没有夸大体外神经网络的能力，反而清楚展示了后学习阶段稳定性下降、闭环延迟较大等限制，这让整项研究更可信。整体来看，这篇文章为理解皮层如何把高维神经活动转化为连贯输出提供了一个可操作模型，也为生物储备池计算和低能耗神经形态计算打开了非常具体的新路径。

图13