Living deep reservoir computing by microfluidic axon routing

人类大脑是生物工程学的奇迹，它能够进行复杂的计算、存储记忆并做出决策，而消耗的能量仅为世界上最强大的超级计算机所需能量的一小部分。这种效率源于大脑的构建方式：数十亿个神经细胞（即神经元）连接成庞大且复杂的网络，记忆与计算在这些微小的接点处同时发生。几十年来，科学家们一直试图利用硅芯片来模仿这种生物智能，制造出试图复制大脑结构的专用计算机硬件。然而，这些电子系统在匹配生物组织的原始效率和适应性方面仍然表现挣扎。为了弥补这一差距，研究人员开始探索一条不同的路径：使用实验室中培育的真实活体神经元作为计算材料本身。这种方法的挑战在于，当神经元在培养皿中生长时，它们往往会进行随机连接，导致难以控制信息如何在其中流动。由于缺乏明确的信息流向，这类网络表现得更像是一个混乱的堆砌，而非结构化的计算机，从而限制了其解决复杂问题的能力。

现在，一组研究人员开发出了一种为这种生物混沌带来秩序的方法，创造出一种能够以特定、单向流动方式处理信息的活体计算机。他们在一种特殊的微流控芯片内培育了小鼠神经元网络，这种芯片拥有微小的通道，可以充当神经细胞的“道路”。通过设计带有单向闸门的道路，科学家们迫使神经元沿着单一方向（从输入层到输出层）生长其连接，从而模拟了先进人工智能系统中发现的深层、分层结构。他们将这一装置称为“活体深层储层”（living deep reservoir），该装置允许生物网络分阶段处理复杂信号，在信息向前移动的过程中对其进行过滤和转换。为了测试这种定向控制是否真的让计算机变得更聪明，他们将其与一个对照组进行了比较——对照组中的神经元被允许双向生长，形成了一个组织性较差的双向网络。结果显示，这种单向、定向的网络在两项困难任务中表现显著优于对照组：预测数学系统的混沌行为以及识别音频剪辑中的不同音乐流派。

研究人员使用一种看起来像微型透明迷宫的微流控芯片构建了该系统。在这个迷宫内部，他们培养了取自小鼠胚胎的原代神经元。为了使这些细胞对光产生反应并能被摄像机观察到，他们引入了特定的基因，将神经元转变为光敏开关，并在其放电时发出荧光。芯片设计有多个由狭窄通道连接的腔室。在实验组中，这些通道通过微小的三角形障碍物和弯曲的死端进行形状设计，物理性地阻止了轴突（神经元的长突起）向后生长。这确保了信号只能从第一个腔室传向第二个腔室，依此类推，从而建立了一个严格的等级制度。在对照组中，通道是简单的直管，允许神经元双向生长，从而创造了一个信号会在网络中来回跳跃而没有明确路径的网络。两个系统都连接到了一个复杂的接口，该接口可以将蓝光图案投射到第一层神经元上以发送信息，并利用摄像机观察整个网络的荧光反应以记录输出。

为了测试这些活体计算机的效果如何，团队要求它们解决两个截然不同的问题。第一个测试是预测混沌时间序列，这是一种变化复杂且不可预测的信号，类似于天气或股票市场。他们将数据转换为光脉冲序列，并将其输入到第一层神经元中。具有单向通道的“活体深层储层”比对照组能更准确地追踪信号的未来走向。随着研究人员在网络中增加更多层级，定向系统的性能得到了提升，而双向系统则难以跟上。第二个任务涉及听音乐。系统被要求识别一段短音频是布鲁斯、古典乐还是乡村音乐。研究人员将声波转换为激活神经元的灯光模式。结果再次显示，活体深层储层优于对照组，它能更频繁地正确识别流派，并且即使面对系统中从未见过的特定歌曲，也能展现出识别不同风格的平衡能力。

这种成功的关键似乎在于网络的结构本身。通过强制神经元沿单一方向连接，研究人员创建了一个信息分阶段处理的系统，每一层都在将信号传递给下一层之前对其进行精炼。这种层次化处理过程允许网络构建对输入数据更丰富的理解，类似于现代人工智能中的深度学习算法。对网络活动的分析表明，定向系统保持了更高水平的组织性或模块化，这意味着网络的各个部分能够更协作地共同工作。相比之下，双向对照组表现出更多的混沌同步放电现象，无法支持同等水平的复杂计算。这项研究证明，生物网络的物理架构与细胞本身同样重要；通过仅仅引导神经元的生长方式，科学家就可以显著增强活体组织的计算能力。

这项工作并不声称已经制造出了一个功能完整的生物大脑，也不意味着这些活体芯片会立即取代硅基计算机。相反，它提供了一个概念验证，证明了深度学习的原理可以通过物理设计应用于活体神经网络。研究人员展示了通过约束神经元的生长以遵循特定路径，可以创建一个能够实现复杂信息处理的生物系统，而随机网络则无法做到这一点。这为研究生物系统如何处理信息开辟了新的途径，并为创造高度高效、受大脑启发的计算设备提供了潜在路径，这些设备结合了活体细胞的适应性与工程结构的精确性。研究结果表明，生物混合计算的未来不仅在于我们使用的细胞，还在于我们为它们构建的道路。