Storing Infinite Dynamical Attractors in Nonreciprocal Associative Neural Networks

人間の脳は、数十億もの細胞が複雑なパターンで発火し、一瞬の記憶から安定した鼓動に至るまで、あらゆるものを創り出す広大なネットワークです。数十年にわたり、科学者たちはこれらのネットワークがいかにして情報を蓄積するのかを理解しようと試みてきました。ある古典的な考えでは、脳は図書館のように機能し、特定の接続の配置が、棚にある写真のように静止した画像や事実を保持しているとされています。しかし、実際の脳活動はめったに静止することはありません。それはリズム、周期、そして混沌とした変動とともに脈動し、時間の経過とともに情報を運びます。ネットワークがいかにして、単なる凍結された画像ではなく、こうした動的で変化し続けるパターンを保持できるのかを理解することは、困難なパズルであり続けてきました。もし脳が動的な機械として機能するのであれば、物事が「何であるか」だけでなく、それらが「どのように変化するか」をも蓄えることができなければなりません。

研究チームは、単純なユニットのネットワークが、いかにして膨大な数のこれらの動的なパターンを同時に蓄えることができるかを説明する、新しい数学的枠組みを開発しました。彼らは、ユニット間の接続が完全に均衡しているわけではないタイプのネットワークに焦点を当てました。つまり、あるユニットから別のユニットへ送られる信号が、必ずしも同じ強さで返ってくるわけではないネットワークです。このような非対称性は生物学的システムにおいて一般的であり、サイクルやリズムを生み出すことを可能にします。研究者たちは、根本的な問いを投げかけました。そのようなネットワークは、記憶が混乱して何も思い出せなくなる前に、どれほど多くの異なる動的パターンを保持できるのか？ 彼らの答えは、より多くの情報を蓄えるための鍵は、パターン自体の複雑さにあるのではなく、その内部リズムの多様性にあることを明らかにしました。

これを探求するために、科学者たちは2つの状態の間を切り替わるバイナリ・ユニットからなるネットワークの理論モデルを構築しました。彼らはこのネットワークに、ループ状に繰り返されるものや、混沌として予測不可能な挙動を示すものなど、特定の活動シーケンスを記憶させるようプログラムしました。高度な統計的手法を用いて、彼らはこのネットワークの記憶容量を算出しました。その結果、ネットワークの想起能力は、それらを符号化する接続の数学的特性に大きく依存することが分かりました。具体的には、研究者たちはこれらの接続の「固有位相（eigenphases）」に着目しました。これは、格納された各パターンが振動しようとする特定のタイミングや周波数と考えることができます。

研究者が、格納されたすべてのパターンが全く同じタイミングを共有するようにネットワークをプログラムしたとき、結果は期待外れなものでした。信号が互いに干渉し始める前に、ネットワークは非常に少数の動的な記憶しか保持することができませんでした。このシナリオでは、ネットワークの内部フィードバックループが自身に対して逆効果として働き、記憶をかき消してしまう一種のノイズを作り出しました。これは、パターンがサイクルで動く場合に特に顕著であり、ネットワークはそれらを区別することに苦労し、記憶容量は静止画の場合よりもはるかに低く崩壊しました。

しかし、研究者が多様性を導入すると、物語は劇的に変わりました。各パターンにわずかに異なるランダムなタイミングを持たせるようにプログラムしたところ、ネットワークの性能は大幅に向上しました。格納されたパターンの周波数を分散させることで、均一なシステムを悩ませていた破壊的な干渉が消失したのです。異なるリズムは、通常メモリを混乱させるノイズを実質的に打ち消し合い、ネットワークをはるかに単純なシステムであるかのように機能させました。これらのシミュレーションにおいて、ネットワークは、古典的な静止記憶モデルの容量の約2倍の数の動的パターンを蓄えることができました。パターンのタイミングが多様であればあるほど、ネットワークはより多くの情報を保持できるのです。

研究者たちは、ネットワークの数学的予測と、シミュレートされたシステムの実際の挙動を比較することで、これらのアイデアを詳細なコンピュータ・シミュレーションによって検証しました。彼らは、単純なループで動くパターンと、混沌とした奇妙な経路を辿るパターンの両方を調べました。あらゆるケースにおいて、理論はシミュレーションと完璧に一致しました。異なるタイミングを持つ場合、ネットワークは高い精度でそれらを想起できることが確認されました。たとえ格納されたパターンの数が非常に多い場合であっても同様です。逆に、タイミングがあまりに似通っていると、ネットワークは記憶を想起できませんでした。この研究は、脳が複数のリズム（例えば、海馬や皮質に見られるさまざまな活動の波）を同時に扱う能力は、バグではなく、一つの特徴である可能性を示唆しています。混沌を引き起こすのではなく、多くの異なる周波数を持つことは、信号が互いの邪魔をすることを防ぐことで、脳が同じスペースにより多くの情報を詰め込むことを可能にするのです。

この研究は、複雑さが常に不安定さを招くという直感に異を唱えるものです。多くのシステムでは、動くパーツを増やすと全体が壊れやすくなります。しかしここでは、その逆が真実です。パターンのリズムに多様性を加えることが、システムを安定させ、その容量を増大させるのです。ここでの発見は、生物学的な回路がいかにして複数の振動モードを同時に維持できるかについて、新たな視点を提供しています。それは、異なる神経回路間の周波数の広がりが、単なる活動の副産物ではなく、脳が広範な動的記憶のライブラリを保持することを可能にする重要なメカニズムであることを示唆しています。この研究は、単純でノイズの多いユニットのネットワークが、格納されたパターンをすべて同じ拍子で進ませないようにするだけで、いかにして強力で高容量の記憶システムになり得るかについて、明確な数学的説明を与えています。