Attractor dynamics underlie sequence working memory in data-constrained recurrent neural networks

電話をかけたりコードを入力したりするために、短い数字の列を頭の中に留めておくことを想像してみてください。この「ワーキングメモリ（作業記憶）」として知られる精神的技法により、私たちは元の刺激が消えた後も、数秒間情報を活性化した状態に保つことができます。数十年にわたり、科学者たちは脳がどのようにこれを実現しているのかについて議論を重ねてきました。ある有力な理論は、特定のニューロンの集団が、まるで点灯したままの電球のように、情報を保持するために一定のペースで発火し続けているのだと示唆しました。別の理論は、脳が急速に変化する活動パ序（パターン）を使用していると提唱しました。つまり、一つのニューロンのグループが次のグループを誘発するという連鎖によって、個々の部分は絶えず変化しているにもかかわらず、全体としては安定したイメージを作り出しているという考えです。この論争を解決することは極めて重要です。なぜなら、それが脳の基本的なオペレーティングシステムを明らかにし、私たちの思考が「静的なアンカー（錨）」によって固定されているのか、それとも「流れる川の活動」によって保持されているのかを決定づけるからです。

テュービンゲン大学およびテュービンゲンAIセンターの研究チームは、複雑な思考や記憶を司る領域である前頭前皮質の高度なコンピュータモデルを構築することで、この問題に調査を行いました。彼らは、1つから3つの視覚的な図形のシーケンスを記憶しなければならないタスクを行うマカク猿のデータを使用しました。猿たちは、レバーを引き、図形が現れる順番を観察し、短い休止時間を経て、そのシーケンスを再現するために画面に触れるよう訓練されました。研究者たちは、このタスクを脳がどのように処理しているかを正確に把握するため、30の異なるセッションにわたって2,488個の個々のニューロンの電気活動を記録しました。

この膨大なデータを理解するために、科学者たちは「データ制約付き再帰型ニューラルネットワーク」を作成しました。これは、実際のニューロンがどのように接続し、発火するかを模倣するように設計された人工知能モデルの一種です。標準的なモデルとは異なり、単に正解を得るためだけに訓練されるのではなく、このモデルは猿の脳に見られる実際の「乱れたスパイク（発火）パターン」を再現することを強制されました。このモデルを実際のデータに適合させることで、研究者たちは、生の記録からは直接見ることは不可能な、ニューロン間に起こる隠れたダイナミクスを観察することができました。このモデルは、ニューロンがどの程度の頻度で発火し、互いにどのように影響し合っているかという統計的特性を正確に再現しており、それが生物学的システムを忠実に表現していることを裏付けました。

研究者がこのモデルの内部構造を分析したところ、情報の保存方法における特定の幾何学的構造を発見しました。シーケンス内の各アイテムに関する脳活動は、ニューラルネットワーク内の別々の、明確に区別されたゾーンに整理されていました。もし猿がシーケンスの最初の位置にある図形を記憶していたなら、活動はその特定のゾーンに落ち着きます。もしそれが2番目または3番目の図形であれば、活動は異なる、重なり合わないゾーンに落ち着きます。これにより、脳が「何」のアイテムであるかと、それがシーケンスの「どこ」に該当するかを、それぞれの位置のための別々の空間領域を用いることで追跡しているという、これまでの観察結果が裏付けられました。

重要な疑問は、「猿が待機している間、それらのゾーンの中で何が起きているのか？」という点でした。活動は完全に静止しているのでしょうか、それとも流れているのでしょうか？ 研究者たちは、答えは両方の組み合わせであることを見出しました。活動の全体的なパターンは、特定の記憶としてデコードできるほど安定していましたが、その根底にあるダイナミクスは静止したものではありませんでした。むしろ、モデルは、記憶が安定した「多様体（マニフォールド）」、すなわちネットワークの数学的空間における曲面の中に保持されていることを明らかにしました。この表面内では、活動は「谷に転がり落ちて底に落ち着くボール」のように振る舞いました。これは「アトラクター状態」として知られています。脳は他の別々の信号を用いて時間の経過も処理していましたが、図形の実際の記憶は、これらの安定した自己修正的な状態によって保持されていたのです。

これらの状態が真に安定したものであること、単なる一時的な一連のイベントではないことを証明するために、研究者たちは仮想実験を行いました。彼らは訓練済みのモデルを取り出し、科学者が光を用いて実際の猿のニューロンのグループを一時的に刺激する場合に起こりうるような、シミュレーション上の小さな衝撃を与えました。その結果、もし衝撃が活動を経路からわずかに押し出したとしても、システムは自然に正しい記憶状態へと引き戻されることがわかりました。これは、谷の中のボールが再び底へと転がり落ちるのと同様です。しかし、もし活動を安定した表面に沿った特定の方向に押し出した場合、モデルの記憶は永久に新しい値へとシフトしました。この挙動は、アトラクター・システムの典型的な特徴です。つまり、小さなエラーには抵抗しますが、制御された変化は許容するのです。

この研究は、脳が単一のメカニズムに依存しているわけではないことを示唆しています。代わりに、脳は、安定したアトラクター状態が記憶の具体的な内容を保持し、他のネットワーク部分がシーケンスのタイミングと流れを処理するという、ハイブリッドな戦略を使用しています。この発見は、ワーキングメモリが純粋に一時的な、移り変わる連鎖であるという考えに疑問を投げかけるものです。脳がアイテムのシーケンスを保持するためには、時間が経過しても情報を安全に保つための、安定したアンカーが必要であることを示しています。研究者たちはまた、もし科学者が遅延期間中に、脳に対して短時間かつ標的を絞った摂動（乱れ）を加えた場合、モデルは、シーケンス内の他のアイテムに影響を与えることなく、特定のアイテムの記憶を選択的に変化させることができると予測しています。これは、アトラクター構造が生きている脳の中に存在するかどうかを検証するための、明確でテスト可能な予測を提供しています。

最終的に、この研究は記憶に関する二つの対立する見解の架け橋となります。脳は、すべてのニューロンが常に一定の割合で発火し続けることを必要とせずに、過去の安定した表現を維持できることを示しています。記憶を特定の安定したゾーンに整理し、それらが乱された際に自らを修正するようにすることで、脳は、周囲の世界が変化しても、私たちが必要とする情報がアクセス可能で正確な状態であり続けることを保証しているのです。実際の生物学的データによって厳密に制約されたモデルを構築するという研究者たちの手法は、私たちの思考や記憶を支配する隠れたルールを理解するための、強力な新しい方法を提示しています。