Multi-scale place fields provide a predictive basis for hierarchical control
本論文は、効率的な階層的制御と海馬の場所細胞のマルチスケールな空間組織化を統合した予測マップである、因子分解型階層的後継表現（fHSR）を導入するものであり、これは広大な環境におけるそれらの特性を説明することに成功し、集団発火率における新たなサイズに依存しない空間的周期性を予測するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
脳の海馬はしばしば記憶の座と呼ばれますが、数十年にわたり、神経科学者たちはそれを認知地図、つまり動物が世界をナビゲートすることを可能にするメンタルGPSとしても見てきました。実験室の制御された狭い部屋の中では、この地図は単純に見えます。場所細胞として知られる個々の脳細胞は、動物がある特定の場所にいる時にのみ発火し、ある地点に対して単一の整然とした「オン」スイッチを作り出します。しかし、現実の世界は広大で複雑です。ラットが数百メートルを徘徊したり、コウモリがねぐらと餌場の間を数十キロメートルにわたって飛行したりするとき、これらの同じ脳細胞は全く異なる振る舞いを見せます。単一のスイッチではなく、景観全体にわたって複数の不規則なバースト状に発火し、従来のナビゲーション理論では説明が困難な、混沌とした活動パターンを作り出すのです。
この整然とした実験室のイメージと、自然界の乱雑な現実との間の乖離は、脳の地図が広い空間で崩壊しているのか、それとも私たちの理解が不完全なのかという疑問を科学者に抱かせました。有力な理論は、脳が予測地図を構築している、つまり現在の位置に基づいて動物が将来どこに到達する可能性が高いかを計算しているのだと示唆していました。この考え方は小さな部屋ではうまく機能しましたが、複雑で多地点に及ぶ発火パターンが見られる大きな環境については説明できませんでした。研究者たちは、この不規則性が単なるランダムなノイズなのか、それとも脳が世界を計画し移動する方法における、特定の隠された目的を果たしているのかを問わなければなりませんでした。
計算神経科学者のチームによる新しい研究は、この不規則性が欠陥ではなく、非常に効率的なナビゲーションシステムの「特徴」であることを提案しています。研究者たちは、「因子分解階層的後続表現（factorised hierarchical successor representation）」と呼ばれる新しい数学的モデルを開発しました。簡単に言えば、このモデルは、脳が一度に一歩ずつ計画を立てているのではないことを示唆しています。その代わりに、脳は移動を「廊下の突き当たりまで行く」や「ドアのところで曲がる」といったサブゴール（小目標）の階層へと整理しています。長い旅路をこれらの管理可能な塊に分解することで、脳は一つ一つのステップの詳細に迷い込むことなく、広大な距離にわたって効率的に計画を立てることができるのです。
チームは、コンピュータ上のエージェントがこの階層的アプローチを用いて学習するとき、実際の動物に見られる脳活動と全く同じものに見える地図が自然に形成されることを示しました。彼らのシミュレーションにおいて、モデルは、環境が大きくなるにつれて、発火する地点の数やそのサイズが予測可能な方法で変化する、複数の地点で発火する場所細胞を生み出しました。これは、最大48メートルのトラックを走るラットや、最大200メートルの距離を飛行するエジプトフルーツコウモリから収集されたデータと一致しました。モデルは、一部の細胞が多くの場所で発火し、他の細胞は少ない場所で発火するという事実や、これらの発火地点の間隔が特定の非ランダムな分布に従うことなど、これらの動物に見られる特定の統計的パターンを再現することに成功しました。
決定的なことに、研究者たちはこの階層構造が真の利点をもたらすかどうかをテストしました。その結果、この手法を用いるエージェントは、古い単純なモデルを用いるエージェントよりも、特に環境が大きくなるにつれて、新しいルートを学習し、新しい目標に到達するのがはるかに速いことがわかりました。階層的アプローチにより、脳は一つの状況で学んだことを別の状況に応用できる、柔軟な知性の鍵となる「汎化」を行うことができました。また、モデルは、脳の集団活動が空間にわたって微妙に繰り返されるリズムを示すと予測しましたが、研究者たちはラットやコウモリのニューロンの実際の発火率を分析することで、これを裏付けました。このリズムはトラックの長さに関わらず一貫しており、空間を分節化する方法の根本的な特性であることを示唆しています。
また、本研究は、これらの複雑な発火パターンが単なるランダムな生物学的ノイズの結果であるという考えを退けました。研究者がランダムな関数に基づいたモデルを用いて脳活動をシミュレートしたところ、実際の動物のデータに見られる特有の繰り返しのリズムや独特の幾何学的構造を生み出すことはできませんでした。対照的に、階層的モデルは、その設計の結果としてこれらの特徴を自然に生成しました。このことは、場所細胞の不規則で多地点にわたる発火が、大規模で複雑な環境に対処するために、脳が行動をサブゴールへと整理している直接的な結果であることを示唆しています。
動物の動きと脳細胞の発火を結びつけることで、この研究は、脳がいかにして小さな部屋から広大な風景へとナビゲーションスキルをスケールアップさせているかについて、統一的な説明を提供しています。これは、脳の地図が世界の静的な絵ではなく、計画と効率のために最適化された、動的で多層的なシステムであることを意味しています。この発見は、野生の複雑な世界をナビゲートする脳の能力が、旅路をより小さく管理可能な断片へと分解することに依存していることを示唆しており、その戦略こそが、一見すると混沌としたノイズに見えるものを、生存のための精密で強力な道具へと変えているのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。