[論文レビュー] Neuro-Inspired Visual Pattern Recognition via Biological Reservoir Computing

Luca Ciampi, Ludovico Iannello+5 more|arXiv (Cornell University)|Feb 5, 2026

Neural Networks and Reservoir Computing被引用数 0

ひとこと要約

論文は、in vitro の皮質ネットワークが高密度MEA上でリザーバとして機能する生物学的リザーバー・コンピューティングシステムを示し、線形リードアウトを用いて静的な視覚パターン認識を評価する。単純な点刺激からMNIST様の数字まで評価。

ABSTRACT

In this paper, we present a neuro-inspired approach to reservoir computing (RC) in which a network of in vitro cultured cortical neurons serves as the physical reservoir. Rather than relying on artificial recurrent models to approximate neural dynamics, our biological reservoir computing (BRC) system leverages the spontaneous and stimulus-evoked activity of living neural circuits as its computational substrate. A high-density multi-electrode array (HD-MEA) provides simultaneous stimulation and readout across hundreds of channels: input patterns are delivered through selected electrodes, while the remaining ones capture the resulting high-dimensional neural responses, yielding a biologically grounded feature representation. A linear readout layer (single-layer perceptron) is then trained to classify these reservoir states, enabling the living neural network to perform static visual pattern-recognition tasks within a computer-vision framework. We evaluate the system across a sequence of tasks of increasing difficulty, ranging from pointwise stimuli to oriented bars, clock-digit-like shapes, and handwritten digits from the MNIST dataset. Despite the inherent variability of biological neural responses-arising from noise, spontaneous activity, and inter-session differences-the system consistently generates high-dimensional representations that support accurate classification. These results demonstrate that in vitro cortical networks can function as effective reservoirs for static visual pattern recognition, opening new avenues for integrating living neural substrates into neuromorphic computing frameworks. More broadly, this work contributes to the effort to incorporate biological principles into machine learning and supports the goals of neuro-inspired vision by illustrating how living neural systems can inform the design of efficient and biologically grounded computational models.

研究の動機と目的

• 培養皮質ネットワークを高密度多電極アレイ（HD-MEA）とインタフェースさせた、生物学的根拠を持つリザーバー・コンピューティングのパラダイムを導入する。
• 刺激プロトコルと前処理を校正し、セッション間で頑健で再現性のあるリザーバー応答を誘発する。
• MNIST由来の入力を含む段階的に複雑化するタスクを通じた静的視覚パターン認識を評価する。

提案手法

• HD-MEAを用いて、入力画像から電極サブセットへ写像された空間的電気刺激パターンを供給する。
• 刺激されていない電極の誘発活動を記録し、4096‑Dリザーバー状態ベクトルに変換する。
• アーチファクト除去とスパイク検出を二段階前処理パイプラインで実行する。
• ラベル付きリザーバー状態に対して、 SGDで訓練した単層パーセプトロンリードアウトを複数回の試行にわたり適用する。
• 同条件で比較する人工リザーバーと生物リザーバーの性能を比較する。

Figure 1: Schematic overview of our biological reservoir computing (BRC) framework. We introduce a system that encodes spatial stimulation patterns into high‑dimensional neural representations generated by a living cortical network, enabling biologically grounded visual pattern recognition. (1) Inpu

実験結果

リサーチクエスチョン

• RQ1 in vitroで培養された生体皮質ネットワークは、静的視覚パターン認識の高次元リザーバーとして機能し得るか。
• RQ2 複雑化する視覚タスクの下で、生物リザーバーの性能は一致条件の人工リザーバーとどのように比較されるか。
• RQ3 刺激プロトコル、記録前処理、セッション変動が下流の分類に与える影響は何か。
• RQ4 生物基盤を用いたリアルワールド様入力（MNIST由来パターン）で、信頼性の高い分類が達成可能か。

主な発見

• 点刺激でBRCは約98%の精度（平均 ± SD 98% ± 2%）を示し、この設定で人工リザーバーを上回る。
• 指向バー Patternは約92%の精度（平均 ± SD 92% ± 6%）を示し、パターンがより重なっても競争力を維持する。
• 時計数字様のパターンでは、BRCは電極サブセットにマッピングされた数字間で実質的な識別力を示す（出典の抜粋には具体数値は記載なし）。
• タスク全体として、より複雑な設定では人工リザーバーがBRCを上回ることがあり、生物学的多様性と計算的豊富さのトレードオフを浮き彫りにする。
• 本研究はin vitro皮質ネットワークが静的パターン認識の効果的なリザーバーとして機能し得ることを検証し、神経生物学的基盤をニューロモルフフレームワークへ統合することを示す。

Figure 2: Schematic representation of a neuronal culture interfaced with an HD-MEA platform. Each square corresponds to an individual electrode on the HD-MEA. Input patterns are encoded by mapping their elements to specific electrode positions. The remaining electrodes record the evoked spiking acti