数十億ドルの資金と数十年にわたる研究が費やされてきたにもかかわらず、人間の脳における計算の仕組みは依然としてほぼ謎のままです。一方で、人工ニューラルネットワークの開発においては大きな前進を遂げてきました。これは脳の計算方法をおおまかに模倣するよう設計されたものです。こうした人工の脳から神経計算の本質について多くを学んできました。今こそ、その学びを生物の脳にも応用するときです。
神経疾患は世界的に増加している、脳における計算の理解を深めることが喫緊の課題となっています。現代の人工ニューラルネットワークが複雑な問題を解決する能力を考えると、機械学習の知見に導かれた神経科学の枠組みは、私たち自身の脳と、その機能不全の仕組みについて貴重な秘密を明らかにする可能性があります。
私たちの思考や行動は、脳内で行われる計算によって生み出されています。統合失調症やうつ病のように思考や行動に影響を及ぼす神経疾患を効果的に治療するには、脳の計算がどのように誤作動するのかを理解する必要があると考えられます。
しかし、神経計算を理解することは、極めて困難な課題であることが証明されてきました。神経科学者が脳の活動を記録すると、それは しばしば解読不能です。
次の雑誌に掲載された論文で、『Nature Neuroscience』、私と共著者は、人工ニューラルネットワークから得られた教訓が解読不能な細胞の集合体としてではなく、計算システムとして脳を理解するための正しい道へと私たちを導くことができると主張しています。
脳のネットワークモデル
人工ニューラルネットワークは、実際のニューロンの統合および活性化の特性をおおまかに模倣した計算モデルです。現在では人工知能の分野で広く普及しています。
人工ニューラルネットワークを構築するには、まずネットワーク・アーキテクチャを設計します。すなわち、ネットワークの各構成要素が互いにどのように接続されているかを定めます。次に、「次に見るものを予測する」といった学習目標をアーキテクチャに対して定義します。続いて、受け取ったデータを用いて、その目標を達成するためにネットワークがどのように変化すべきかを示すルールを定義します。
行わないのは、ネットワーク内の各ニューロンがどのように機能するかを指定することです。各ニューロンがどう機能すれば課題を最も効果的に達成できるかを決定することは、ネットワークに委ねられます。私は、脳の発達もおそらく同様のプロセスの産物であると考えており、 進化の時間軸と、個体が生涯の中で学習する時間軸の両方において。
ニューロンの役割の割り当て
これは、脳内の個々のニューロンの機能を特定しようとすることの有用性に疑問を投げかけるものです。人工ニューラルネットワークで見られるものと同様に、これらのニューロンが最適化プロセスの結果である可能性があるためです。
人工ニューラルネットワークの各構成要素は、理解することが非常に難しいことがよくあります。その働きを正確に説明する、単純な言語による記述や単純な数学的記述は存在しません。
私たちの論文では、同じことが脳にも当てはまると提案しており、そのため、脳内の各ニューロンの役割を理解しようとすることから離れ、代わりに脳のアーキテクチャ、すなわちそのネットワーク構造、進化の時間軸または個人の生涯における最適化目標、そして脳がそれらの目標を達成するために、世代を通じて、あるいは生涯の中で自らを更新するルールに注目する必要があります。これら三つの構成要素を定義することで、各ニューロンが何をしているかを述べようとするよりも、脳の働きをはるかによく理解できるようになるかもしれません。
最適化フレームワーク
このアプローチの成功例の一つとして、脳内のドーパミンを放出するニューロンが、予期しない報酬、例えば予期せぬ食べ物の提供に関する情報を符号化しているように見えることが示されています。報酬予測誤差と呼ばれるこの種の信号は、人工ニューラルネットワークが得られる報酬を最大化するよう訓練するためにしばしば用いられます。
例えば、ビデオゲームで得られた得点を報酬として解釈するように人工ニューラルネットワークをプログラムすることで、報酬予測誤差を用いてネットワークにそのビデオゲームのプレイ方法を訓練させることができます。実際の脳においても、人工ニューラルネットワークと同様に、個々の信号が何を意味するかを理解していなくても、報酬を最大化するという学習目標との関係において、これらのニューロンおよびその信号を受け取るニューロンの役割を理解することができます。
現在のシステム神経科学の理論は見事で示唆に富むものですが、進化と学習が脳をどのように形作るかに基づく首尾一貫した枠組みが、私たちがこれまで苦心してきた多くの空白を埋めてくれると私は考えています。
システム神経科学において進展を遂げるには、脳内の細胞の結合や遺伝子発現パターンを追跡するような、ボトムアップの記述的研究と、学習目標や学習ルールを理解するために人工ニューラルネットワークを用いる、トップダウンの理論的研究の両方が必要になります。
現代の人工ニューラルネットワークが複雑な問題を解決できることを考えると、機械学習の知見に導かれたシステム神経科学の枠組みは、人間の脳に関する貴重な秘密を明らかにする可能性があります。
