テクノロジーメディア「Tom's Hardware」の報道によると、日本東北大学と未来大学の研究チームは最近、ラットの皮質ニューロンを成功裏に訓練し、リアルタイムの機械学習フレームワークを用いて複雑な時系列信号を自主的に生成することに成功しました。この画期的な研究は、ニューロンがAI計算で利用される新たな可能性を開きました。

研究チームは、生体ニューロンを高密度マイクロ電極アレイとマイクロフリュイドデバイスと組み合わせて、「閉ループ・リザーバー・コンピューティング（Reservoir Computing）」と呼ばれるシステムを構築しました。このシステムの特徴は、外部からの入力を必要とせず、自律的に学習し、周期的およびカオス的な波形を生成できることです。これにより、さまざまなAI計算タスクを実行できます。

image.png

チームのコア技術は、ポリジメチルシロキサン（PDMS）マイクロフリュイド薄膜を用いて、ニューロン間の結合を制約することです。研究では、物理的な制約がない場合、ニューロンは高度に同期したネットワークを形成し、その状態では目標信号を効果的に学ぶことができないことが示されました。これを解決するために、研究者たちはニューロンの細胞体を128個のマイクロホールに制限し、マイクロチャネルで接続することで、格子型と階層型の2種類のネットワーク構造を作成しました。この設計により、ネットワークのダイナミック次元が大幅に向上し、ニューロン間の相関性が低下し、システムの性能が向上しました。

テストでは、格子型ネットワークが優れた性能を発揮し、4秒、10秒、30秒の正弦波、三角波、方形波を生成するだけでなく、三次元のカオス軌跡であるローレンツアトラクターにも近づくことができました。学習段階では、システムが予測した信号と目標信号の相関係数が0.8を超え、良好な学習能力を示しました。東北大学の山本英明教授は、生体ニューロンネットワークが生物学的な意味を持つだけでなく、新しい計算資源としての価値も持つと述べています。

ある程度の成果を収めたものの、チームはいくつかの技術的課題に直面しています。特に性能面での課題があります。研究では、トレーニングが終了した後、システムが自律的に動作する際に誤差が増加することが判明しており、フィードバックループの330ミリ秒の遅延が、高速変化する波形を追跡する能力を制限しています。今後、研究チームは専用ハードウェアの開発を通じて遅延を低減し、この技術が脳-コンピュータインターフェースや神経義肢に応用される可能性を広げたいと考えています。

ポイント：

🌟 日本の科学者がラットのニューロンを成功裏に訓練し、複雑な時系列信号を自主的に生成しました。

🧠 マイクロフリュイド技術を活用し、外部入力なしで閉ループ・リザーバー・コンピューティングシステムを構築しました。