An Extensive Study of Two-Node McCulloch-Pitts Networks

本論文は、自己ループを許容し重みを{-1,0,+1}に制限した 39 種類の 2 ノード・マッカラーチ - ピッツ・ネットワークモデルについて、バイポーラとバイナリの 2 種類の状態値における動的挙動を包括的に分析し、モデルの微小な変異が動的挙動に与える影響や、パラメータ・初期状態に対する 3 種類のロバスト性を評価することで、最小複雑系理解への道筋を示しています。

要約

この論文は、**「たった 2 つの要素だけで動く、超シンプルな思考機械（ネットワーク）」**が、どんな奇妙で面白い動きをするのかを、徹底的に調べた研究報告です。

想像してみてください。2 つの小さな部屋（ノード）があり、お互いに「おしゃべり」したり、自分自身に「独り言」を言ったりしている様子をイメージしてください。この「おしゃべり」には、相手を元気付ける（＋）、元気を奪う（－）、無視する（0）という 3 つのルールしかありません。

この研究では、そんな単純なルールを組み合わせるだけで、どんな複雑なドラマが生まれるのかを、すべて網羅して分析しました。

以下に、この研究の核心を 3 つの物語（メタファー）で解説します。

---

1. 「2 人の関係性」の全パターン（39 種類の物語）

昔の生態学の教科書では、2 つの生物の関係は「共食い」「競争」「助け合い」など、5 つくらいに分類されていました。しかし、この研究では**「自分自身との関係（自己ループ）」も加えることで、関係のパターンが39 種類**に増えました。

• 共食い（捕食者 - 被食者）： 一方が他方を食べて、他方が反撃する。
• 競争： 互いに相手の足を引っ張り合う。
• 助け合い（共生）： 互いに元気付ける。
• 片思い（片利共生）： 一方だけがもう一方から恩恵を受ける。
• 自己愛（自己ループ）： 自分自身を褒めたり（自己増殖）、自分を責めたり（自己制御）する。

これら 39 種類の「関係の型」に、それぞれの「性格（パラメータ）」を当てはめてシミュレーションしたのです。

2. 「同じルールでも、解釈次第で結果が変わる」驚き

ここがこの論文の最大の発見です。「同じ関係図（ルール）」であっても、その「解釈の仕方（バリエーション）」によって、全く違う結末を迎えることがわかりました。

これを料理に例えてみましょう。

• レシピ（ルール）： 「卵 2 個、砂糖大さじ 1」
• バリエーション 1（バイポーラ）： 「卵を割った瞬間、白身と黄身が混ざり合うか、そのまま残るか」
• バリエーション 2（バイナリ）： 「卵を割った瞬間、完全に溶けるか、固形のまま残るか」

同じレシピ（同じリンクの強さ）なのに、**「0 の瞬間をどう扱うか」**という小さな違いだけで、出来上がりが「安定したケーキ（固定点）」になったり、「ぐるぐる回るスピン（周期運動）」になったりします。

• 安定した状態（Fixed Point）： 最終的に「こうなる！」と決まり、そこで止まる。
• ぐるぐる回る状態（Cycle）： 永遠に A→B→C→A と循環し、止まらない。

「たった 1 つの解釈の違い」で、システムが「落ち着く」か「暴れ回る」かが決まってしまうのです。

3. 「強さ」の 3 つの顔（ロバストネス）

研究では、このシステムが「どれだけ丈夫か（ロバストネス）」を 3 つの角度から測りました。

1. ルール変更への強さ（遺伝子の変異）：

   • 「おしゃべりのルール（リンクの強さ）」を少し変えても、全体の動き（ダンス）が変わらないか？
   • 発見： 「安定した状態（固定点）」になるシステムは、ルールが変わっても動きが崩れにくい（丈夫）。しかし、「ぐるぐる回るシステム」は、少しのルール変更で動きが崩れやすい。

2. 最終状態への強さ（結果の安定性）：

   • ルールを少し変えても、「最終的にどこに落ち着くか」が変わらないか？
   • 発見： 安定した状態を目指すシステムは、最終的なゴール地点も変わりません。

3. スタート地点への強さ（初期状態への耐性）：

   • 「最初の気分（初期状態）」を少し変えても、最終的に同じゴールに辿り着くか？
   • 発見： ここが面白い逆転現象です。「安定した状態（固定点）」を目指すシステムは、スタート地点が変わるとゴールも変わってしまい、実は「弱い」のです。
   • 一方、「ぐるぐる回るシステム」は、スタート地点が多少変わっても、同じループを回るので、実は「スタート地点に対しては強い」のです。

つまり：

• 固定点（安定）： ルール変更には強いが、スタート地点には弱い。
• 周期運動（循環）： ルール変更には弱いが、スタート地点には強い。

---

結論：なぜこれが重要なのか？

この研究は、「最小限の複雑系（2 つの要素だけ）」が、実は**「単純ではない」**ことを示しました。

• 生物学への示唆： 遺伝子 2 つのネットワークでも、自己制御や解釈の違いによって、細胞の運命（分化や死）が劇的に変わることがあります。
• 人工知能への示唆： 単純なニューラルネットワークでも、パラメータのわずかな設定（閾値の扱い）で、学習の安定性やパターン認識能力が全く異なる可能性があります。

「最小のシステムでも、解釈のわずかなズレが、世界を『安定』から『暴走』へ、あるいは『多様性』へと変えてしまう」。

この論文は、複雑な現象の裏には、実はシンプルで美しい（しかし予測が難しい）法則が潜んでいることを、2 つのノードという「ミニマムな実験室」で見事に解き明かしたのです。まるで、2 人の会話だけで、世界の歴史が書き換えられるような、そんな不思議な世界観が描かれています。

技術概要

論文要約：2 節 McCulloch-Pitts ネットワークの包括的研究

論文タイトル: An Extensive Study of Two-Node McCulloch-Pitts Networks
著者: Wentian Li, Astero Provata, Thomas MacCarthy
日付: 2026 年 1 月 14 日（arXiv:2407.00254v2）

1. 研究の背景と問題設定

McCulloch-Pitts (MP) 神経モデルは、入力加权和に閾値操作を施す単純なニューロンモデルとして知られています。通常、複雑なネットワークの振る舞いは多数のノードを有する場合に研究されますが、本研究は「最小複雑系」として2 ノード（2 遺伝子）の MP ネットワークに焦点を当てています。

従来の 2 ノード相互作用は、生態学やシステム生物学において「相互作用的（双方向）」と「主従的（一方向）」の 2 分類、あるいは「相利共生、競争、捕食 - 被食、片利共生、片害共生」の 5 分類にまとめられてきました。しかし、これらは自己ループ（ノードから自分自身へのフィードバック）を考慮しておらず、また MP モデルの閾値処理における微妙な違い（バリアント）が動的挙動に与える影響も十分に解明されていませんでした。

本研究の目的は、以下の点を明らかにすることです：

1. 自己ループを含めた場合の 2 ノード MP ネットワークの全モデル空間（39 種類の符号付き規制グラフ）の動的挙動の包括的な分類。
2. 状態変数の定義（双極子 [-1, 1] か二値 [0, 1] か）および閾値点での処理方法の違い（バリアント）が、同じ規制グラフでも異なる動的挙動を生むか。
3. モデルパラメータや初期状態に対する動的挙動の「頑健性（ロバストネス）」と「安定性」の分析。

2. 手法とモデル定義

2.1 モデル空間の構築

2 ノード（$x, y$）の MP ネットワークは、以下の式で定義されます。
$$x_{t+1} = f(ax_t + by_t)$$
$$y_{t+1} = f(cx_t + dy_t)$$
ここで、$a, b, c, d$ は結合重みであり、それぞれ $\{-1, 0, +1\}$ の 3 値を取ります。

• $-1$: 抑制
• $0$: 結合なし
• $+1$: 活性化
• $f(\cdot)$: 閾値関数（シグモイド関数の離散化版）

パラメータの組み合わせは $3^4 = 81$ 通り存在しますが、一部は 1 ノードモデルに退化するか、ノードの入れ替えで同値となるため、本質的に異なる39 種類のモデル（符号付き規制グラフ）に集約されます。これには、生態学的な 5 分類に自己ループ（自己触媒または自己制御）を加えたものが含まれます。

2.2 モデルのバリアント（6 種類）

閾値点（加权和が 0 になる点）での出力定義の違いにより、1 つのモデルから 6 つのバリアントが定義されます。

1. V1 (Bipolar, as-is): 状態値 $\in [-1, 1]$。加权和が 0 の場合、状態を維持する。
2. V2 (Bipolar, positive): 状態値 $\in [-1, 1]$。加权和が 0 の場合、出力を $+1$ とする。
3. V3 (Bipolar, negative): 状態値 $\in [-1, 1]$。加权和が 0 の場合、出力を $-1$ とする。（V2 と動的には同値）
4. V4 (Binary, as-is): 状態値 $\in [0, 1]$。加权和が 0 の場合、状態を維持する。
5. V5 (Binary, positive): 状態値 $\in [0, 1]$。加权和が 0 の場合、出力を $1$ とする。
6. V6 (Binary, negative): 状態値 $\in [0, 1]$。加权和が 0 の場合、出力を $0$ とする。

2.3 解析手法

• スペクトル法: 状態遷移行列（マルコフ遷移行列）の固有値・固有ベクトルを解析し、極限動態（固定点、サイクルなど）を決定します。
• UMAP 可視化: 81 個のルール空間を 2 次元に射影し、動的クラスごとの分布を可視化します。
• 頑健性評価:
  • ルール変異に対する頑健性: パラメータ（$a,b,c,d$）を 1 つ変更（ハミング距離 1）した際、動的クラスや最終状態が変化しない割合。
  • 初期状態に対する安定性: 異なる初期状態から出発した際、同じ最終状態（アトラクタ）に収束する割合。

3. 主要な結果

3.1 バリアントによる動的挙動の多様性

同じ規制グラフ（パラメータの符号パターン）であっても、バリアント（V1〜V6）によって極限動態が劇的に変化することが示されました。

• 例 (ルール R8): 競争関係に自己制御を持つモデル。
  • V1 (双極子): 4 サイクル
  • V2/V3 (双極子): 3 サイクル
  • V4 (二値): 2 つの固定点
  • V5/V6 (二値): 1 つの固定点
• 知見: 双極子モデル（V1, V2）は二値モデル（V4, V5, V6）に比べて、より多様で複雑なサイクル（3 サイクル、4 サイクルなど）を示す傾向があります。一方、二値モデルは固定点（安定状態）に収束しやすい傾向があります。

3.2 規制構造と動的挙動の相関

Rene Thomas の仮説（負のループは振動、正のループは多安定性を生む）を検証しました。

• 4 サイクル: 「捕食 - 被食モデル」かつ「自己触媒（正の自己ループ）がない」ことが、4 サイクルを生むための必要十分条件であることが発見されました。
• 4 つの固定点 (F4): 「2 つの自己触媒」を持つことは十分条件ですが、必要条件ではありません。
• 2 サイクル: 「一方向モデル（片利共生または片害共生）」かつ「ドナー（供給側）ノードに自己制御（負の自己ループ）」がある場合に生じます。
• 混合動態: 「競争または相利共生」かつ「自己触媒がない」場合に、固定点と 2 サイクルが混在する領域が見られました。

3.3 頑健性（ロバストネス）と「カオスの縁」

• パラメータ変異に対する頑健性:
  • 固定点（F2, F4）を持つモデルは、パラメータ変異に対して動的クラスが変化しにくい（頑健性が高い）傾向があります。
  • 高周期サイクル（4 サイクル）を持つモデルは、変異に対して敏感です。
  • 「高周期の縁（Edge of High Cycles）」: 固定点モデルから 4 サイクルモデルへ変化する境界にあるルール（ハミング距離 1 の変異でサイクルが生じるルール）が特定されました。これらは、固定点とサイクルの中間に位置する「境界ルール」として機能しています。
• 初期状態に対する安定性:
  • 興味深いことに、パラメータ変異に対して頑健なモデル（固定点が多い）は、初期状態の変化に対しては不安定である傾向が見られました（逆相関）。
  • 具体的には、V1 での固定点モデルは、V4 での初期状態変化に対する最終状態の保存率（安定性）が低い傾向にあります。統計的に有意な関連性（Fisher 検定 p 値 = 0.00797）が確認されました。

3.4 同期更新と非同期更新

同期更新と非同期更新（1 回に 1 つのノードのみ更新）を比較しました。

• 多くのモデルで動的挙動は類似していますが、一部（特に V1 の約 25%）では、同期ではサイクル、非同期では固定点など、挙動が変化することが確認されました。
• 二値モデル（V4-V6）では、この変化はより少ない（2.6%〜15.4%）ことが示されました。

4. 結論と意義

本研究は、2 ノードという最小限のネットワークであっても、MP モデルのバリアント（閾値処理や状態値の定義）や自己ループの組み合わせによって、驚くほど多様で複雑な動的挙動（固定点、多様なサイクル、混合状態）が現れることを実証しました。

主な貢献と意義:

1. モデル空間の完全なマッピング: 81 通りのルールを 39 の本質的な構造に整理し、6 種類のバリアントにおける全動的挙動を分類しました。
2. バリアントの重要性の提示: 規制グラフ（構造）が同じでも、閾値処理のわずかな違い（バリアント）が動的挙動を根本的に変えることを示し、モデルの定義の厳密さの重要性を強調しました。
3. 構造と機能の新たな関係性: Thomas の仮説を補完し、特定の構造（例：自己触媒の有無、一方向性）が特定の動的クラス（サイクル長や固定点の数）と強く相関することを定量的に示しました。
4. ロバストネスのトレードオフ: 「パラメータ変異に対する頑健性」と「初期状態に対する安定性」の間に逆相関がある可能性を示唆し、生物学的システムにおける安定性の多面的な性質への理解を深めました。
5. 最小複雑系の理解: 3 ノード以上で現れるフィードフォワードループなどの複雑な構造がなくても、非線形性とフィードバックループのみで「カオスの縁」に近い振る舞いや多様なダイナミクスが生じうることを示し、複雑系科学の基礎的理解に寄与しました。

この研究は、より大規模な遺伝子制御ネットワークや人工神経ネットワークの理解における「最小構成要素」としての 2 ノード MP ネットワークの重要性を再確認させ、将来の複雑系研究の基盤となる知見を提供しています。