[논문 리뷰] Neuro-Inspired Visual Pattern Recognition via Biological Reservoir Computing

Luca Ciampi, Ludovico Iannello외 5명|arXiv (Cornell University)|2026. 02. 05.

Neural Networks and Reservoir Computing인용 수 0

한 줄 요약

본 논문은 고밀도 MEA 위의 in vitro 피질 네트워크가 정적 시각 패턴 인식을 위한 저장고로 작동하는 생물학적 저장고 컴퓨팅 시스템을 시연하며, 간단한 점 자극에서 MNIST 유사 숫자까지 선형 출력으로 평가한다.

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.

연구 동기 및 목표

• cultured cortical networks interfaced with a high-density multi-electrode array (HD-MEA)를 이용한 생물학적으로 기반한 저장고 컴퓨팅 패러다임 도입.
• 자극 프로토콜과 전처리 과정을 보정하여 세션 간에 견고하고 재현 가능한 저장고 반응을 유발.
• MNIST 파생 입력을 포함한 점진적으로 복잡해지는 작업 전반에 걸친 정적 시각 패턴 인식 평가.

제안 방법

• HD-MEA를 사용하여 입력 이미지에서 전극 부분집합으로 매핑된 공간 전기 자극 패턴을 전달.
• 자극되지 않은 전극에서 유발된 활동을 기록하고 이를 4096‑D 저장고 상태 벡터로 변환.
• 이상 제거 및 스파이크 탐지를 두 단계의 전처리 파이프라인에서 수행.
• 다수의 트라이얼에 걸쳐 레이블이 있는 저장고 상태에 대해 SGD로 단일층 퍼셉트론 출력기를 학습.
• 비생물학적 저장고와 조건이 일치하도록 비교하여 생물학적 저장고의 성능을 인공 저장고와 비교.

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

실험 결과

연구 질문

• RQ1 생물학적으로 배양된 생체 피질 네트워크가 정적 시각 패턴 인식을 위한 고차원 저장고로 기능할 수 있는가?
• RQ2 일치하는 인공 저장고와 비교했을 때 점진적으로 복잡해지는 시각 작업에서 생물학적 저장고의 성능은 어떤가?
• RQ3 자극 프로토콜, 기록 전처리, 세션 변동이 하위 분류에 미치는 영향은 무엇인가?
• RQ4 생물학적 기질을 이용한 실제 세계에 가까운 입력(MNIST 유래 패턴)에서 신뢰할 수 있는 분류가 가능한가?

주요 결과

• 점 자극에서 BRC가 약 98%의 정확도(평균 ± 표준편차 98% ± 2%)를 보이며, 이 설정에서 인공 저장고보다 우수한 성능을 보인다.
• 정향된 바 패턴은 BRC에서 약 92%의 정확도(평균 ± 표준편차 92% ± 6%)를 달성하며, 패턴이 더 겹치는 경우에도 경쟁력을 유지한다.
• 시계-숫자 유사 패턴의 경우, 전극 부분집합에 매핑된 숫자들 간에 BRC가 뚜렷한 구별력을 보인다(구체 숫자는 발췌본에 제공되지 않음).
• 작업이 더 복잡해짐에 따라 때때로 인공 저장고가 BRC를 능가하는 경향이 있어 생물학적 가변성과 계산적 풍부성 간의 트레이드오프를 시사한다.
• 본 연구는 in vitro 피질 네트워크가 정적 패턴 인식을 위한 효과적인 저장고로 기능할 수 있음을 검증하고 생물학적 기질을 뉴로모픽 프레임워크에 통합하는 방향에 정보를 제공한다.

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