Intelligence Cannot Recover What the Instrument Does Not Record
本研究は、カルシウムイメージングからの神経スパイク推論の精度が、単に用いられる計算モデルによるものではなく、光学信号自体の情報量によって根本的に制限されることを確立しており、高度なアルゴリズムであっても、計測機器の記録能力によって規定される経験的な性能の天井を超えることはできないことを示している。
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
脳の微小な通信細胞であるニューロンは、「スパイク」と呼ばれる急速な電気的バーストによって会話を行います。脳がどのように思考しているかを理解するために、科学者たちはこの会話に耳を傾ける必要があります。数十年の間、単一のニューロンの声を明瞭に聞き取る唯一の方法は、細いワイヤーを直接中に突き刺すことでした。この手法は精密ですが、数千個の細胞に対して同時に行うことは不可能です。カルシウムイメージングと呼ばれる新しい技術は、異なる道筋を提示しています。電気を直接聴く代わりに、化学的な変化を観察するのです。ニューロンが発火すると、カルシウムを少し取り込み、細胞内の特殊な色素がそれに反応して光ります。顕微鏡がこの輝きを捉えることで、研究者は何百ものニューロンが同時に点灯する様子を観察できるのです。
しかし、この方法には根本的な欠陥があります。顕微鏡が見ているのは電気的スパイクそのものではなく、スパイクの後に起こる、遅延した、ぼやけた、ノイズの多い光のフラッシュです。スパイクが「出来事」であり、輝きはその出来事の「影」に過ぎません。ニューロンが実際に何をしたのかを理解するために、科学者はコンピュータプログラムを用いて、光のパターンに基づいてスパイクがいつ発生したのかを逆算して推測しなければなりません。長年、この分野は「推測するプログラム」をより賢くすることに注力してきました。もしコンピュータモデルがスパイクを特定できなかったとしても、それは単にモデルの性能が不十分であるという仮定が置かれてきました。しかし、これはより深い問いを投げかけます。もし、コンピュータが推測を試みる前に、情報がすでに失われていたとしたらどうでしょうか？ もし顕微鏡自体が、必要な詳細を記録することに失敗し、コンピュータが探し出すべきものが何もない状態だとしたらどうでしょうか？
モーリス・アンソニー・ユーイングによる新しい研究は、まさにこの問題に取り組んでいます。単により優れた推測マシンを作るのではなく、研究者は、記録された光の中にどれほどの情報が実際に閉じ込められているのかを問い直しました。電気的スパイクと光のフラッシュの両方が同時に記録された膨大なデータセットを用いて、この研究は回収可能な絶対的な限界を測定しました。その結果は、知能がいかに高度であっても、計測器が一度も捉えられなかったものを再構成することはできないことを示唆しています。
研究者たちは、数百のニューロンのデータを分析し、電気的な発火とそれに伴う輝きの関係を調べました。彼らは、単純な統計ツールから、独自のパターン認識方法を学習できる複雑で現代的な人工知能システムに至るまで、幅広いコンピュータモデルをテストしました。また、このタスクにおける理論的な最大精度を見つけ出そうと試みました。例えるなら、ぼやけた写真に基づいて秘密の単語を当てるようなものです。推測する側がいかに賢かろうとも、もし写真があまりにぼやけていて文字が見えないのであれば、その秘密を解くことはできません。研究の結果、この特定のタイプの脳記録においては、コンピュータが実行できる性能には明確な天井が存在することが分かりました。最高のコンピュータモデルでも、スパイクを正しく特定できたのは約83.8パーセントの時でした。研究者が異なる数学的手法を用いて絶対的な理論限界を探ったところ、見出された最高精度は約87.1パーセントでした。
優れたコンピュータが達成した精度と理論的限界との間のこの狭い差は、非常に重要です。これは、問題がコンピュータの知能不足にあるのではないことを意味しています。たとえ完璧なコンピュータであっても、あらゆる可能なパターンを学習できるとしても、87パーセント以上の精度を出すことはおそらく困難でしょう。欠落している情報は、アルゴリズムが悪いために起きているのではなく、物理的な記録そのものの結果なのです。顕微鏡によって記録された光には、すべてのスパイクを完全に確信を持って区別できるほどの詳細は含まれていません。この研究は、データを見る独自のやり方を設計する高度な人工知能を用いて、この天井を検証することで、この事実を裏付けました。この高度なシステムは83.2パーセントの精度に達しましたが、より単純なモデルが設定した天井を突破することはできませんでした。これは、限界が実在するものであり、単に使用された特定のツールの欠陥ではないことを証明しています。
また、本研究は、有用な情報が記録のどこに隠れているのかをも明らかにしました。ニューロンからの光は瞬時に変化するわけではなく、上昇し、下降するのに時間を要します。研究によれば、スパイクに関する最も重要な手がかりは、スパイクが発生する「前」ではなく、発生した「後」の光の中に現れることが分かりました。イベント前の光も、そのニューロンが以前に何をしていたかについてのヒントを与えますが、回収可能な情報の大部分は、電気的バーストの後に続くフラッシュから得られるものです。実際、イベント後の光のみを見ることで、全記録から得られる精度の92パーセント以上を回収することができました。このことは、化学反応による遅延が主要なボトルネックであることを示唆しています。顕微鏡は完全なフラッシュを見るために待機する必要がありますが、それでもなお、化学プロセスの「ぼやけ」によって一部の詳細は失われてしまうのです。
さらに、この限界は使用される化学色素の種類によって変化することも示されました。新しい色素の中には、より鮮明で速い輝きを生み出すものもあり、これらの新しい色素で作られた記録は、より高い情報の天井を持つことが判明しました。しかし、限界は色素だけによるものではありません。研究者が、ある種類の脳組織で訓練されたコンピュータモデルを、全く異なる種類の組織に対してテストしたところ、モデルは劇的に失敗し、精度が20ポイント以上低下しました。この失敗は、コンピュータをゼロから再学習させた後でも起こりました。これは、問題が単に色素にあるのではなく、特定の生物学的環境にあることを明らかにしました。情報は最初の組織には存在していましたが、二番目の組織の記録には、モデルが成功するために必要な種類の詳細が保持されていなかったため、成功することが不可能だったのです。
おそらくこの研究の最も実用的な発見は、これら避けられない失敗に対処するための新しい方法です。コンピュータが常に正しいとは限らないため、研究者たちは、自身の予測が誤っている可能性が高いかどうかを判断できるシステムを開発しました。記録の難易度を分析することで、システムは自身の予測に対して「不信スコア」を割り当てることができます。システムが確信を持てないとき、それは答えを推測するのではなく、回答を控えるという選択ができます。もし研究者が、非常に高い自信がある場合にのみ予測を行うようシステムに指示した場合、その予測の精度は98パーセント近くまで跳ね上がりました。これはシステムが賢くなったことを意味するのではなく、証拠が弱すぎる場合には沈黙することを学んだことを意味しています。
本研究は、これからの脳イメージングの進むべき道は、単に賢いコンピュータを構築することではないと結論付けています。世界で最も強力なアルゴリズムであっても、顕微鏡が記録に失敗した情報を回収することはできません。もし光がぼやけすぎているか、化学反応が遅すぎるならば、データは単に不完全なのです。脳の理解を深めるためには、科学者は計測器そのものに焦点を当てなければなりません。より優れた色素、より速い顕微鏡、あるいは光を捉えるための異なる方法を見つけることです。観察者の知能は二次的なものです。記録が明瞭であれば、賢い観察者は成功できます。記録に詳細が欠けているとき、いかなる知能をもってしても、その溝を埋めることはできません。この教訓は、静かではありますが断固としたものです。「記録されなかったものを見ることはできない」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。