大脑由数十亿个相互连接的神经元组成，它们传递和处理信息，使其作为一个高度复杂的信息处理系统运作。为了使其尽可能高效，大脑形成了多个模块，负责不同的功能，比如感知和身体控制。在某个特定区域内，神经元形成了多个聚集并作为模块运行，这是一个在进化中基本保持不变的重要特征。

然而，关于大脑网络的具体结构，比如模块化结构，与神经元的物理和化学特性如何共同作用以处理信息，仍存在许多未解答的问题。

脑的力量启发了储备计算的计算模型，它包含一个由大量相互连接的节点构成的储备器，将输入信号转化为更加复杂的表示形式。

现在，一支研究团队开发了一种基于贮水池计算的机器学习方法，用于分析由大脑皮层中的大鼠皮质神经元构成的“人工培养脑”的计算能力。

团队的发现于2023年6月12日刊登在《国家科学院学报》上，研究由来自东北大学的角见拓马、山本英明和平野奥由美领导。他们与来自函馆未来大学的香取裕一合作。

“利用光遗传学和荧光钙成像技术，我们首先记录了培养的神经网络的多细胞反应。” 山本说道。“然后我们使用储量计算解码，发现这种人工培养的大脑具备几百毫秒的短期记忆，可用于对时间序列数据进行分类，例如口述的数字。”

发现具有更高模块化程度的样本表现出更好的分类性能。此外，一个在一个数据集上训练的模型能够对同一类别的另一个数据集进行分类，揭示出人工培养的大脑能够过滤信息以提高储层计算性能的事实。

“这些研究结果推进了我们对由生物神经元组成的神经网络内信息处理机制的理解，并将我们推向基于生物神经元的物理储备计算机的潜在实现，” Yamamoto 补充道。