2026年4月3日、東北大学と公立はこだて未来大学の共同研究チームが、生きた神経細胞を使って機械学習の核心的なタスクを実現したと発表しました。
生きた神経細胞、つまり培養したニューロンを使い、教師あり時系列パターン学習を達成しました。これは、入力と正解を与えて学ばせる学習法です。これまで人工システム専用と考えられてきた領域に、生物ニューロンが踏み込みました。
この研究成果は、2026年3月12日に学術誌PNAS（米国科学アカデミー紀要）第123巻11号へオンライン掲載されました。つまり、今回の発表は構想段階ではありません。査読を経た研究成果として公表された点が重要です。
なぜこの研究が重要なのか
現在のAIでは、人工ニューラルネットワーク（ANN）やスパイキングニューラルネットワーク（SNN）が広く使われています。ANNは脳の神経回路を模した計算手法です。一方でSNNは、神経の発火をより生物らしく再現する方式です。
しかし、これらの人工システムは高性能な半面、膨大なエネルギーを消費するという課題があります。脳は非常に少ないエネルギーで複雑な処理をこなします。そのため、研究チームは「生物ニューラルネットワークを計算資源にできないか」という問いに挑みました。
つまり、この研究は単なる話題性だけではありません。AIの省エネルギー化、適応性の向上、そして脳の理解そのものに関わるテーマです。こうした中で、生きた脳細胞を計算に使う試みは、神経科学と機械学習の接点として大きな意味を持ちます。
研究の出発点となった考え方
研究チームが注目したのは、生物ニューラルネットワーク（BNN）です。BNNは、生きた神経細胞どうしが形成するネットワークを指します。実際に脳や神経系が持つ情報処理の仕組みに近い存在です。
一方で、人工システムは設計しやすく、再現性も高いです。しかし、生物の脳が示す柔軟性や効率性を完全には再現できていません。そのため、研究チームは、生物そのもののダイナミクスを利用する方向へ進みました。
「生物の神経ネットワークを計算資源として使えれば、AIと生命科学の両方に革命をもたらせるのではないか」。この問いが、本研究の出発点になりました。
リザバーコンピューティングという枠組み
研究チームが採用したのは、リザバーコンピューティングという機械学習の枠組みです。これは、内部で複雑に変化するネットワークの状態を利用して、時系列データを処理する手法です。時間とともに変化するデータを扱うのに向いています。
実際に、リザバーコンピューティングでは、再帰的につながったネットワークが重要な役割を担います。ネットワーク内部の豊かな変化をそのまま計算資源として使うため、効率の高い処理が期待できます。また、生物ニューラルネットワークとの相性もよいと考えられました。
一方で、この方式では出力側の調整が重要です。そのため、研究チームは出力を読み取る仕組みの最適化にも力を入れました。
FORCE学習が果たした役割
リードアウト層、つまり出力を読み取る部分には、FORCE学習が使われました。FORCEはFirst-Order Reduced and Controlled Errorの略です。リアルタイムで誤差を見ながら、出力信号を連続的に調整する学習法です。
この手法を生物ニューロンと組み合わせることで、システムはさまざまな時系列パターンを生成し、再現できるようになりました。つまり、単に反応するだけではありません。目標の時間変化に合わせて、出力を学び取る仕組みを持たせたのです。
さらに、フィードバックをオンにすると、BNN内の不規則な活動が低次元の構造化されたダイナミクスへ変わりました。安定した神経状態のあいだを移りながら、コヒーレントな軌跡が生まれました。これは、ばらばらな活動が意味のある流れへ整っていくことを示します。
生物と機械を結んだ閉ループ統合
本研究でもっとも重要な技術的革新は、マイクロ流体デバイスと高密度マイクロ電極アレイ（HD-MEA）の閉ループ統合です。マイクロ流体デバイスは、非常に小さな流路を精密に設計したチップです。細胞の配置や成長方向を制御できます。
研究チームは、このチップ上でラット大脳皮質ニューロンの成長方向や接続パターンを整えました。そしてHD-MEAが、神経活動をリアルタイムで読み取りました。さらに、その情報をもとにFORCE学習のフィードバック信号を生成しました。
そのため、この仕組みは単なる観察装置ではありません。生物と機械が互いに作用し合う一体型システムです。こうした中で、オンラインの教師あり学習を生きた神経細胞で実現した点が、今回の世界初の中身です。
モジュール型構造が持つ意味
この統合アーキテクチャにより、研究チームはモジュール型ネットワーク構造を構築しました。モジュール型とは、ネットワーク全体が一様ではなく、複数のまとまりを持つ構造です。これにより、過剰な同期化を防ぎやすくなります。
神経活動が一斉に同じ動きになると、複雑な情報処理には不利です。しかし、モジュール型構造では、多様な内部状態を保ちやすくなります。そのため、高次元ダイナミクスが促進されます。これは、リザバーコンピューティングに必要な複雑な内部状態の実現につながります。
さらに、リアルタイムの閉ループ制御によって、オンライン教師あり学習も可能になりました。実際に、2023年のPNAS論文でも、このモジュール型構造が分類精度の向上に正の相関を持つと示されていました。今回の研究は、その延長線上にある成果です。
実験で何ができたのか
訓練を受けた生物ニューラルネットワークは、複雑な時系列信号の生成に成功しました。ここが本研究の核心です。単純な反応ではなく、目標とする時間変化を再現する力が示されました。
生成に成功したパターンは以下の通りです。
- 正弦波（サイン波）
- 三角波
- 矩形波（方形波）
- ローレンツアトラクター
ローレンツアトラクターは、カオス的な変化を示す時系列パターンとして知られます。つまり、規則的な波だけでなく、より複雑な動きにも対応したわけです。生きた神経細胞が、こうした多様な時間パターンを扱えた点は極めて重要です。
正弦波を複数周波数で再現
特に注目されたのが、正弦波の再現です。同一システムの中で、周期4秒から30秒までの複数の正弦波を制御し、学習し、安定して再現しました。これは、生物ニューロンの柔軟な適応性を強く示す結果です。
人工的に設計された回路なら、複数の周期を出すこと自体は想像しやすいです。しかし、今回は生きた神経ネットワークが対象です。そのため、単なる工学的制御ではなく、生物が持つ可塑性と学習能力を計算として引き出した点に価値があります。
さらに、三角波や矩形波のような異なる形状の信号も安定して再現しました。一方で、より複雑なローレンツアトラクターの再現にも成功しています。つまり、このシステムは単一用途ではなく、複数の時系列表現に対応できることを示しました。
研究者が示した意義
東北大学の山本英明教授は、今回の研究について次のように述べています。
「この研究は、生きた神経ネットワークが生物学的に意味のあるシステムであるだけでなく、新しい計算資源としても機能しうることを示しています。神経科学と機械学習を橋渡しすることで、生物システムの内在的なダイナミクスを活用した新しい形態のコンピューティングへの道を切り拓いています。」
このコメントが示す通り、研究の意義は二重です。ひとつは、生物学として神経ネットワークの理解を深めることです。もうひとつは、新しい計算資源として生物を活用する道を開くことです。
医療や神経疾患研究への広がり
この研究は、コンピューティング分野だけにとどまりません。今後は、薬剤応答の研究や神経疾患モデリングへの応用も視野に入っています。神経疾患モデリングとは、病気の状態を実験系で再現し、仕組みや治療法を探る研究です。
そのため、今回の成果は医療分野にもつながります。生きた神経ネットワークを制御しながら学習させる仕組みが進めば、病的な神経活動を調べる新しい足場になる可能性があります。また、マイクロ生理学的システムへの発展も期待されています。
さらに、運動制御など、より実用的な時系列パターン生成への応用も挙げられています。つまり、将来は医療と計算科学の両方で、生物神経ネットワークの活用が広がる可能性があります。
先行研究とのつながり
今回の成果は、突然現れたものではありません。2023年の前研究では、同じマイクロ流体デバイス上の培養ニューロンが、音声数字などの時系列データを分類できることが示されていました。
分類とは、入力されたデータを種類ごとに見分けることです。一方で今回は、出力パターンを学習して生成するところまで進みました。つまり、認識だけでなく生成へ進んだわけです。ここに大きな前進があります。
こうした中で、前研究の分類能力と今回の時系列生成能力が組み合わされば、バイオハイブリッドAIシステムの実現に向けた道筋はさらに具体化します。生物と人工システムが補完し合う新しいAI像が、少しずつ見えてきました。
生きているコンピュータの時代は来るのか
東北大学らの研究は、生物と機械の境界線そのものを問い直します。生きた脳細胞が機械学習タスクを担えるという事実は、ニューロサイエンス、AI、医療工学の融合を象徴しています。
一方で、これで直ちに「生きているコンピュータ」が実用化するわけではありません。しかし、エネルギー効率、適応性、並列処理能力という点で、生物神経ネットワークには大きな強みがあります。そのため、今後の研究次第で新しい計算基盤へ育つ可能性があります。
つまり、この研究は未来像を誇張した話ではなく、実験で示された具体的な一歩です。しかも世界初の成果として、生物神経ネットワークが教師あり機械学習を担えることを示しました。実際に、バイオインスパイアードコンピューティングの発展を力強く後押しする内容です。
今後の課題と展望
今後の研究方向として、まず訓練後の信号生成の安定性向上が挙げられています。また、FORCE学習アルゴリズムそのものの改良も課題です。つまり、より長く、より安定して、より正確に動作する仕組みへ進化させる必要があります。
一方で、応用面の広がりも大きいです。薬剤応答研究、神経疾患モデリング、運動制御など、現実的な用途が見え始めています。こうした中で、研究は基礎科学と応用研究の両輪で進むことになりそうです。
さらに、生物神経ネットワークを計算資源として本格活用できれば、AIの設計思想そのものが変わる可能性があります。生きた脳細胞が機械学習タスクを実行する時代は、まだ始まったばかりです。しかし、その入口はすでに開かれました。
論文情報
- タイトル：Online supervised learning of temporal patterns in biological neural networks under feedback control
- 筆頭著者：曽野有希（Yuki Sono）ほか
- 掲載誌：PNAS（Proceedings of the National Academy of Sciences）Vol. 123, No. 11
- 掲載日：2026年3月12日（オンライン公開）
- 研究機関：東北大学、公立はこだて未来大学
ソース
- 東北大学
- PNAS
- PubMed
- MaxWell Biosystems
- JST Science Japan
- 東北大学工学研究科
