Embodied Neurocomputation：连接生物神经培养物与规模化任务驱动验证的框架

arXiv:2605.13315v2 公告类型：replace-cross 摘要：生物神经网络（BNN）已被确立为一种强大且具适应性的基底，有望凭借独特的学习机制实现极高能效和数据效率的信息处理。然而，利用BNN进行神经计算的核心挑战之一，是确定传统硅计算接口与活体生物系统之间的最佳编码和解码机制。本文提出Embodied Neurocomputation框架，将其作为一种系统层面的方法，用于解决这一多变量编码/解码优化问题。我们通过对一个BNN智能体的编码配置进行首次大规模参数优化来实施这一方法：该智能体在模拟网格世界中沿着气味式梯度进行闭环导航。尽管任务相对简单，生物交互作用仍产生了规模庞大的多组合参数搜索空间。通过考察系统各组件之间的互联方式及其参数化形式，我们评估了约1,300种参数组合，并进行了超过4,000小时的实时智能体—环境交互，最终确定了12种在多个回合中持续表现出学习能力的配置。在相同的交互预算下，这些配置取得了显著高于经过优化的基于硅的DQN智能体的任务性能。这些发现代表了利用BNN实现稳健且可扩展的目标导向学习的初步一步。我们的框架为应用任务驱动的神经计算奠定了基础，并支持全领域基准的开发。从长远来看，这项工作将推动高效、自适应且实时的混合生物—硅架构的发展，包括其在机器人控制应用中的潜力。