技術要約：脳様適応型デンドライト・メンリスタティック・ネットワーク

問題提起

現在の人工知能システムは、固定されたトポロジーを持つハードウェア・アーキテクチャ内で接続ウェイトを適応させる学習アルゴリズムに依存している。このアプローチは、学習プロセスと計算基質となる物理構造を切り離しており、経験が計算アーキテクチャそのものを直接的に変容させることを妨げている。メンリスタ（メモリスタ）デバイスは、ディープニューラルネットワークのハードウェア・アクセラレータ（例：インメモリでの行列・ベクトル積演算）として利用されているが、通常は硬直した、あらかじめ製造されたトポロジー内で動作する。物理的なリザーバーコンピューティングに使用される自己組織化メンリスタ・ネットワークであっても、一般的には固定された結合性を維持しており、学習はネットワーク構造自体の物理的な適応を通じてではなく、外部のリードアウト・ウェイトを通じて行われる。形態学的な進化と機能的な結合性が、計算基質の中で共進化することによって、経験を物理的に符号化するハードウェア・アーキテクチャは存在しない。

手法

著者らは、動的に相互作用する電気化学的デンドライト（樹状突起）に基づく、自己組織化された形態適応型ネットワークを提示している。本システムは、ニューロンの端子として機能する金（Au）電極と、ジメチルスルホキシド（DMSO）中の生体適合性硝酸銀（AgNO3）からなる電気化学セルを利用している。

中核メカニタズム:

1. 構造的可塑性（形態形成）: 本システムは、シナプスの形態形成と軸索の成長を模倣する。端子間に印加される時間的に相関した電圧パルス（双極パルス）は、競合的な半セル反応を駆動する。すなわち、負バイアスのかかった電極上での還元（$Ag^+ + e^- \rightarrow Ag$）と、正バイアスのかかった電極上での酸化（$Ag \rightarrow Ag^+ + e^-$）である。これにより、金属デンドライトの枝が純増し、端子間を構造的に接続して電気的な接合（シナプス）を形成する。デンドライトの成長ダイナミクスは、刺激パラメータ（パルス振幅、パルス間隔）や電解質濃度を調整することで、等方的（デンドライト様）な挙動から指向的（軸索様）な挙動まで制御可能である。
2. 機能的可塑性（メンリスタ特性）: 一度形成されたデンドライト接続は、メンリスタ特性を示す。これらは、電気化学的金属化（ECM）セルに典型的な双極抵抗スイッチング（SET/RESET）を示し、印加電圧に基づいて導電性フィラメントが細くなったり断裂したり、あるいは形成・強化されたりする。システムは、刺激履歴や動作条件に応じて、揮発性（短期）および非揮発性（長期）のメモリ状態の両方をサポートする。
3. モデリング: 物理ベースの確率論的2次元モデルが開発され、システムのシミュレーションが行われた。このモデルは、金属-電解質界面における局所的な電位と、電解質中のイオン拡散輸送を統合し、電気二重層の容量効果を考慮に入れている。モデルは、拡散制限的な成長と、電位駆動による指向性成長の相互作用を捉えるために、演算分割を用いた反応拡散スキームを使用している。

実験セットアップ:

• 作製: Siウェハー上にAu電極を用いた2端子セルを作製し、マルチ端子システムには、パターン化されたAuピンを持つ商用のマイクロ電極アレイ（MEA）を使用した。
• 刺激: 同期的な刺激と取得は、64個の並列ソース・メジャー・ユニット（SMU）を備えたArcTWO測定ボードを使用して行われた。
• リードアウト: 他の端子をフローティング状態に保ちながら、端子ペアに低振幅のリード電圧（50 mV）を印加することで、コンダクタンス行列を取得した。

主要な貢献と結果

1. 構造と機能の共進化

本研究は、構造的結合性（物理的な配線図）と機能的結合性（シナプス・ウェイト）が、外部刺激に応じて共進化することを実証している。システムは、時空間的に相関した活動パターンを、その物理的な形態へと直接埋め込む。

• 結果: マルチ端子ネットワークは、時空間的に相関した活動を持つ端子間に接続を形成するように構造的に進化し、共活性化されたノード間のトポロジカルな距離を効果的に縮小させる。

2. 連合学習パラダイムの実装

本システムは、生物学的な連合学習の原理を材料内に直接（in materia）実装している。

• 古典的条件付け（パブロフ型）: システムはパブロフの犬を模倣するように構成された。あらかじめプログラムされた高コンダクタンス接続は、無条件刺激（餌）から反応（唾液分泌）への接続を表す。中立刺激（鐘）の刺激を無条件刺激と同期させることで、ネットワークは「鐘」と「唾液分泌」の端子間を繋ぐ新しいデンドライト接続を成長させた。条件付け後、「鐘」の刺激単独で反応電流が誘発され、条件付けられた連合の形成が示された。
• オペラント条件付け（スキナー型）: システムは、スキナーの鳩のつつき行動およびラットの罰タスクを再現した。
  • 鳩のつつき: 報酬となる入力はコンダクタンスを増加させた（つつき率）。消去（報酬なし）の間、コンダクタンスは低下したが、基礎となるデンドライトのトポロジーは概ね維持されていた（保存）。再条件付けにより、コンダクタンスは迅速に回復し、強化された。これは、初期の条件付けよりも高速であった。
  • ラットの罰: 罰刺激（より短い負のパルス）が与えられ、最終的に電気的接続が遮断された。しかし、デンドライトのトポロジーに有意な変化は見られず、学習された情報はデンドライト構造内に保持されていた。再条件付けにおいても、機能的な断絶にもかかわらず、学習が削除されたのではなく構造的に保存されていることを示す、迅速な回復と強化が確認された。

3. 最適化問題の解決（経路選択）

著者らは、ロボットのナビゲーションに関連するルート計画の最適化問題を解く能力を実証した。

• 手法: 様々な移動コスト（例：砂、岩）を持つ地形マップを、時空間的な刺激プロトコルにマッピングした。電極は地形領域を表し、電圧振幅は移動の困難さをエンコードした。
• 結果: デンドライトの成長プロセスは物理的なスパース化器（sparsifier）として機能し、低コストの導電経路を強化し、高コストの領域を抑制した。結果として得られた導電性サブネットワークは、最適な経路を具現化した。
• 性能: 抽出されたコンダクタンス行列に対してダイクストラ法を適用したところ、25回の独立した試行において、グラウンドトゥルース（正解）の最適経路に対し、平均85%の成功重み付きオーバーラップを達成した。

重要性と主張

本論文は、**物質レベルでの具現化された知能（embodied intelligence at the matter level）**への道筋を確立したと主張している。情報処理、学習、およびメモリ符号化を、適応型材料と物理的ネットワークダイナミクスと結びつけることで、以下のことを実証している。

1. 学習は物理的である: 学習とは、単に固定されたグラフ内のパラメータを最適化することではなく、構造的結合性と機能的結合性の共進化を通じた、経験の物理的な具現化である。
2. イン・マテリア計算: 計算は、情報がその処理を通じて自らを形作る、材料の自己組織化から本質的に創発する。
3. 生物学的忠実度: 本システムは、シナプスの形態形成と可塑性をエミュレートする電気化学的メカニズムを用いて、古典的条件付け、オペラント条件付け、保存、および迅速な再条件付けを含む複雑な生物学的学習現象を正常に再現した。
4. 形態による最適化: デンドライト構造の階層的かつフラクタルな性質は、情報の分離と統合のバランスを促進し、グラフの制約を物理的な導電経路へと変換することで、組合せ最適化問題（経路探索など）を物理的に解決することを可能にする。

著者らは、この研究をトップダウン型の製造ハードウェアからの脱却として位置づけている。学習中に計算アーキテクチャ自体が適応するボトムアップのアプローチを提案しており、処理、メモリ、および学習を単一の物理システム内に統合する次世代の適応型ハードウェアへの潜在的な経路を示している。