livn：体外神经网络交互学习的开源模拟平台

livn是一个用于学习和控制体外神经网络的交互式模拟环境，支持多种仿真后端、微电极阵列模拟和强化学习集成，为神经科学与机器学习的交叉研究提供标准化测试平台。

livn（Learning to Interact with in Vitro Neural Networks）由Gressmann等研究人员开发，旨在弥合计算神经科学与实验神经科学之间的鸿沟。体外神经网络（如MEA上的神经元培养）为研究神经计算提供了可控的实验平台，但直接在真实生物系统上进行大规模机器学习实验成本高昂且效率低下。livn通过高保真的合成数据生成，为算法开发提供了可扩展的测试环境。

livn的一大特色是支持三种不同的仿真后端，满足不同研究需求：

1. Brian2后端：基于Python的点神经元模型仿真，适合快速原型开发
2. JAX/diffrax后端：基于JAX的可微分仿真，支持端到端梯度传播，适用于深度学习研究
3. NEURON后端：MPI并行化的多房室模型仿真，支持大规模实验

用户可通过环境变量轻松切换：

export LIVN_BACKEND=brian2  # 默认选项
export LIVN_BACKEND=diffrax  # 可微分仿真
export LIVN_BACKEND=neuron   # 大规模并行

平台内置了对微电极阵列（MEA）的真实模拟，包括：

• 刺激通道配置
• 记录通道信号采集
• 脉冲检测与电压记录

这使得研究者可以在仿真环境中开发与真实实验设备兼容的控制策略。

livn遵循OpenAI Gymnasium标准接口，这意味着：

• 任何支持Gymnasium的强化学习算法都可以直接应用
• 与Stable-Baselines3、RLlib等主流RL库无缝集成
• 标准化的观察空间和动作空间定义

livn提供了从简单到复杂的四级预配置系统：

系统	神经元总数	兴奋性	抑制性	MEA通道	适用场景
EI1	10	8	2	1	快速原型、单元测试
EI2	100	80	20	16	开发、RL实验
EI3	1,000	800	200	64	中等规模实验
EI4	10,000	8,000	2,000	1,024	大规模实验

这种分层设计让研究者可以从简单场景开始验证算法，再逐步扩展到接近真实实验复杂度的系统。

from livn import make

# 创建EI1环境
env = make("EI1")
env.apply_model_defaults()
env.record_spikes()
env.record_voltage()

# 运行100ms仿真
it, t, iv, v, *_ = env.run(100)
print("初始电压:", v[:, 0])

项目团队在Hugging Face上发布了预生成的数据集，研究者无需自行运行耗时的仿真即可开始模型训练。这大大降低了进入门槛，促进了社区协作。