Работу провели команды из Университета Тохоку и Университета будущего Хакодате. Ученые создали замкнутую систему, в которой живые нейроны соединены с электроникой. Сеть не просто передаёт сигналы, а учится в реальном времени, постоянно корректируя своё поведение. В основе эксперимента лежит подход резервуарных вычислений — это метод обработки временных данных, при котором сложная динамическая система (в данном случае — живая нейронная сеть) используется как «резервуар» для преобразования сигналов. В классических вариантах задачу выполняют искусственные нейронные сети, но здесь её впервые выполнила биологическая система.

Активность нейронов считывалась с массива из 26 400 электродов с шагом 17,5 микрометра. Полученные импульсы преобразовывались в непрерывный сигнал, который затем возвращался обратно в нейронную сеть в виде стимуляции. Такой цикл повторялся примерно каждые 333 миллисекунды, формируя непрерывную обратную связь.

Чтобы система могла обучаться, исследователи использовали алгоритм FORCE (First-Order Reduced and Controlled Error), который в реальном времени подстраивает параметры и снижает ошибку между желаемым и фактическим сигналом. Это позволило нейросети не просто реагировать, а воспроизводить заданные временные паттерны.

Ключевую роль сыграла архитектура. Исследователи использовали микрофлюидные пленки из полидиметилсилоксана (PDMS) для физического ограничения способов соединения нейронов. Без таких ограничений нейроны образуют плотные, высокосинхронизированные сети, которые активируются синхронно и не способны к обучению.

В новой системе нейроны распределили по 128 лункам размером 100×100 микрометров — в каждой находилось в среднем по 14,6 клетки. Эти лунки соединялись микроканалами в двух вариантах, решетчатом и иерархическом, что позволило контролировать связи между нейронами.

Такой подход резко снизил избыточную синхронность: если в обычных культурах нейроны активировались согласованно на 45%, то в новой системе этот показатель упал до 11–12%. Благодаря этому сеть смогла генерировать разные типы сигналов — синусоидальные волны разной длины (с периодами 4, 10 и 30 секунд), а также треугольные и прямоугольные формы. Более того, она приблизилась по поведению к хаотической системе, аттрактору Лоренца, с точностью более 80%.

При этом технология пока далека от идеала. После завершения обучения точность ухудшается — ошибка растёт в 99% случаев. Кроме того, задержка в контуре обратной связи ограничивает способность системы отслеживать быстро меняющиеся или резко очерченные волновые формы. Тем не менее, как отметил профессор Хидеаки Ямамото, такие системы уже можно рассматривать как новый тип вычислительных ресурсов.