局所側方結合は深層ニューラルネットワークにおける皮質様トポグラフィの再現に十分である

なぜ脳に似た地図がAIで重要か

私たちの脳は、似た機能をもつニューロンを隣り合わせに配置し、境界線や顔、場所のような特徴に対する秩序だった地図を形成します。この配置は多くの種や脳領域で観察されますが、なぜ存在するのか、どのように形成されるのかについては議論が続いています。本研究は、単純な配線規則—近接するニューロン同士を接続しておくこと—が人工ネットワークに同様の地図を自発的に生ませるか、そしてその組織がノイズの多い世界での視覚の頑健性など実用的な利点をもたらすかを問います。

脳表面に現れるパターン

霊長類の視覚皮質は細胞の寄せ集めではありません。むしろ、隣接するニューロンが似た画像特徴を好むパッチワークのように配列されています。初期領域には方位や色の地図があり、後期領域には顔、身体、場面、日常物体に特化したポケットが存在します。古典的理論は配線長を短く効率的にするためにこの秩序が進化したと提案しますが、多くは特殊な学習規則や生物学的に正当化しにくい追加目的を仮定します。著者らは代わりに皮質で広く見られるより基礎的な解剖学的特徴に注目します：近傍のニューロンを結ぶ短い側方結合で、似た応答を示す細胞間でより強くなることが多いという性質です。

仮想的な皮質シートの構築

研究者たちは標準的な深層視覚モデルであるResNet18を出発点として、そのユニットを各々が二次元の「皮質シート」上の固定位置に座するよう再配置します。各層内で、距離とともに強度が低下する局所的な側方結合を追加し、近傍の皮質ニューロンが遠方よりも互いに強く影響し合う様子を模倣します。これらの側方結合は勾配降下で学習されるわけではなく、通常のフィードフォワード重みだけが訓練されます。その後、モデルは標準的な逆伝播を用いて大規模画像データセットでの物体認識という単一課題を学習しますが、平滑な地図や短い配線を直接報奨するような追加項は使いません。

エッジから顔まで現れる脳様地図

この単純な設定でも、豊かなトポグラフィが出現します。初期層では、一次視覚野で記録されるものに似た方位、空間周波数、色の滑らかな地図が形成されます。隣接するユニットは遠方のユニットよりも似た応答を示し、方位と空間周波数が変化する方向が直角に交差する傾向は、動物データの微細な特徴と一致します。第1層で重み共有を除いてより生物学的に詳細にした場合、方位地図におけるピンホイールパターンのような特徴も再現されます。より深い層では、顔、身体、場面のようなカテゴリに調整されたクラスタがシミュレートシート上に細長い帯状に現れ、人間の腹側側頭皮質で知られる配置と密接に並行します。さらに、生物／非生物や実世界の小さい／大きい物体といった大域的な区別も再現されます。

未確認の脳領域と配線の経済性

研究は既知のホットスポットを越えて、機能が明確でない領域も検討します。高解像度の脳イメージングデータを用いて、著者らは顔選択領域と場所選択領域の間に位置する中間的なパッチを同定します。モデル内では、このパッチに最も活動が一致するユニットは顔選択クラスタと場面選択クラスタの間の中間位置に配置されており、人工トポグラフィが未踏の領域にも一般化することを示唆します。さらに、層を跨ぐ強く活性化するユニット間の有効配線長を推定します。驚くべきことに、側方結合を持つネットワークは、元の非トポグラフィックネットワークや配線最小化を明示的に最適化した以前のモデルよりも総配線長がはるかに短くなることがあり、局所側方構造を含むアーキテクチャでは現実的な学習だけで経済的な配置が選好され得ることを示しています。

局所的な協働による頑健な視覚

最も興味深い発見の一つは機能的な点です：クラスタ化された地図はモデルを騙しにくくします。画像を故意に強い敵対的攻撃で摂動した場合—分類器を誤誘導するよう極小のピクセル変更—局所側方結合を持つネットワークはベースラインモデルより高い精度を維持します。これは特に側方結合が広い近傍に及ぶ場合に顕著です。著者らはクラスタを、機械学習におけるアンサンブル手法のようにノイズを平均化する類似ユニットの集合体と解釈します。これはトポグラフィが単なる配線の整理以上の意味を持ち、近傍のニューロン群が協働することで安定した信頼できる知覚を支える可能性を示唆します。

脳と機械にとっての意味

本研究は、深層ネットワークに現実的な局所側方結合を単に付け加えるだけで、ニューロンが実装しそうにない特殊な学習規則なしに多重スケールで皮質様の地図を生成できることを示します。同時に、この組織はロバスト性を高め総配線長を削減し、進化が効率性と信頼できる感覚の双方のためにトポグラフィを支持した可能性を示唆します。神経科学にとっては多様な視覚地図を説明する統一的な回路レシピを提供し、人工知能にとってはより脳に似ているだけでなくノイズや敵対的入力に対しても堅牢なアーキテクチャへの道を示します。

引用: Qian, X., Dehghani, A.O., Farahani, A.B. et al. Local lateral connectivity is sufficient for replicating cortex-like topographical organization in deep neural networks. Nat Commun 17, 4042 (2026). https://doi.org/10.1038/s41467-026-70065-3

キーワード: 皮質トポグラフィ, 側方結合, 深層ニューラルネットワーク, 視覚皮質, 敵対的ロバストネス