+++
Name = “Computational Cognitive Neuroscience”
Categories = [“Computation”, “Cognition”, “Neuroscience”]
bibfile = “ccnlab.json”
+++
Computational Cognitive Neuroscience は、[[Leabra]] フレームワークに基づく [[book]] のタイトルであり、この compcogneuro.org ウェブサイトで提示されている研究の具体的な目標を特定する試みを表しています。具体的には、計算的に扱いやすく効果的 ([[computation|”computational”]])、認知的に正確 ([[cognition|”cognitive”]])、神経生物学的に正確 ([[neuroscience|”neuroscience”]]) な哺乳類の脳モデルを開発することが目標です。
これらの各側面は、アプローチを制約する際に重要な重みを与えられ、他の要素を犠牲にして個々の要素に過度に焦点を当てることを避けながら、これらの要素のそれぞれを満たす「黄金の中間」アプローチを模索します。したがって、より計算効率の高い [[abstract neural network]] モデル、より神経生物学的に詳細なモデル、および行動の規範的な説明を提供するためにベイズ方程式を使用する可能性のあるより単純な認知モデルが確実に存在します。しかし、[[Axon]] モデルは、これら 3 つの制約すべてを同時に満たす最適なモデルである可能性があります。
このページの残りの部分は、CCN 本の序文から編集されており、ここで採用されているアプローチについてもう少し説明と展望を提供します。
計算モデリング
脳を理解するための計算モデリングアプローチの長所と短所は何ですか?コンピューター モデリングの明白な利点は、単独では人間の理解が困難であることが判明する複雑さに対処できることです。漠然とした言葉や単純な紙の図で話すだけで、何十億ものニューロンが他の何万ものニューロンと相互作用し、どのように人間の複雑な認知を生み出すのかをどのようにして理解できるでしょうか?確かに、正確な予測を行い、多くの複雑な要因がどのように相互作用するかを理解するために、気候モデリングにコンピューター モデルを使用する必要性に疑問を抱く人はいません。認知神経科学においては、状況はさらに悲惨です。
それにもかかわらず、コンピューター モデルが使用されるあらゆる分野で、モデルに対する根本的な不信感が存在します。それら自体は複雑であり、人間によって作成されており、問題となっている実際のシステムとは必要な関係がありません。これらのモデルが完全にでっち上げられた空想ではないことは、どうやってわかるのでしょうか?答えは簡単のようです。モデルはできるだけ多くのレベルでデータによって制約され、経験的にテストできる予測を生成する必要があります。
理想的な世界では、ニューラル モデル内のニューロンは実際の脳内のニューロンの鏡像であり、必要な詳細を取得するための技術的な制限を考慮して、可能な限り多くの詳細を複製すると想像するかもしれません。それらは実際の脳内とまったく同じように接続されます。そして、それらは、問題の生物がさまざまな状況でどのように行動するかを正確に再現する詳細な行動を生成するでしょう。そうすれば、モデルが十分に「現実的」であり、その予測の一部を信頼できると確信できるでしょう。
しかし、たとえこれが技術的に実現可能だったとしても、その結果として得られるシステムが脳そのものよりも理解できるものになるのかどうか疑問に思うかもしれません。言い換えれば、物が実際にどのように機能するかについての実際の理解を発展させることなく、根本的な謎を脳からモデルに移すことにしか成功しなかったでしょう。この観点から見ると、最も重要なことは、_可能な限り多くのデータを捕捉する最も単純なモデル_を開発することです。これは基本的に_オッカムのカミソリ_の原理であり、すべての科学理論化の中心原理として広く認識されています。
場合によっては、このカミソリを使って不要な部分を簡単に切り落とすことができます。確かに、ニューロンの多くの生物学的特性は、その中核となる情報処理機能（たとえば、ニューロンだけでなくすべての生物学的細胞に共通する細胞プロセス）には無関係です。しかし多くの場合、どの現象が重要であると考えるかについての判断が必要になります。これは、モデルで扱われる科学的問題によって異なります。
ここで採用されるアプローチは、生物学的な詳細と認知機能の間にある種の「幸せな」中間点を見つけることです。この連続体のどちらかの端に関係する研究者がモデルのレベルに不満を抱いている限り、この中間点は「不幸」であると考えられるかもしれません。生物学者は、私たちのニューロンとネットワークが過度に単純化されているのではないかと心配するでしょう。認知心理学者は、我々のモデルが生物学的に詳細すぎることを懸念するだろうし、同じ認知現象を捉えるもっと単純なモデルを作成できるだろう。この「黄金の中間」を楽しむ私たちは、重要な認知現象を捉えながら、神経面で重要な単純化を達成できたときに幸せを感じます。
このレベルのモデリングでは、神経メカニズムの考察がどのように心の働きに情報を与えるのか、そしてその逆に、認知的および計算上の制約がどのようにしてこれらのメカニズムが解決するために進化した問題をより深く理解できるようになるのかを探ります。したがって、認知現象（記憶干渉など）が神経レベルでの変化（疾患、薬理学、遺伝学、または認知タスクパラメータの変化による同様の原因）によってどのように影響を受けるかを予測できます。その後、モデルをテスト、改ざん、改良することができます。
この意味で、認知神経科学のモデルは、明示的に指定され形式化されている点を除けば、他の理論とまったく同じであり、データが一致しなかった場合、または一致しない場合には、モデラーが理論に対して責任を負うことになります。逆に、モデルは、既存の理論が困難なデータに直面した場合、口頭での理論化では考慮されない特定のダイナミクスにより、最終的に理論が維持される可能性があることを示す場合があります。
結局のところ、それは美学や性格に基づく要因に帰着し、それによって人によってコンピューター モデリングに対する全体的な戦略が異なります。こういったさまざまなアプローチにはそれぞれ価値があり、それなしでは科学は進歩しません。幸運なことに、人々の性格は異なり、異なる人が異なることを行うことになります。シンプルさ、優雅さ、清潔さを最も高く評価する人もいます。このような人は、抽象的な数学的 (ベイジアンなど) 認知モデルを好む傾向があります。
| また、生物学的な詳細を何よりも重視し、最も確固たる確立された事実から逸脱することにあまり抵抗を感じず、既知のすべてを組み込んだ高度に精巧な個々のニューロン モデルを作成することを好む人もいます。その中間で生きるためには、ある程度のリスクを冒す覚悟が必要であり、より単純な基礎メカニズムから複雑な現象が現れることが示される [[emergent |
emergence]] のプロセスを最も高く評価する必要があります。 |
ここでの成功の基準は、もう少し曖昧で主観的です。基本的には、モデルが理解できるほど単純であるかどうかに要約されますが、その動作が自明になるほど単純ではないか、あるいは、そもそも何の役にも立っていないと思われるほど完全に透明であるかどうかです。この問題に関する最後の注意点は、さまざまなレベルのモデルは相互に排他的ではないということです。低レベルの生物物理学モデルと高レベルの認知モデルはそれぞれ、それぞれの領域の理解と分析に多大な貢献をしてきました。
実際、モデリングの 1 つのレベルを別のレベルで理解しようとする試みによって、多くの根拠が得られます (そしてある程度はすでに得られています)。結局のところ、分子から心へのリンクは複数のレベルの分析にまたがり、素粒子物理学の法則から惑星の運動までを研究するのと同様に、複数の正式なツールが必要になります。
## なぜ脳に注意を払う必要があるのでしょうか?
多くの人は、これらの機能レベルが最終的に「本当に」重要であるすべてであるという仮定の下で、より純粋に計算レベルまたは認知レベルの分析を支持して、脳が実際にどのように機能するかを理解することの複雑さと難しさをすべて無視する方法を見つけようとする誘惑にかられます。たとえば、Python でプログラムする場合、コンピューター ハードウェアがどのように機能するかについてはほとんど何も知る必要はありません。さまざまな種類のハードウェアがすべて同じプログラミング言語とソフトウェアを実行できます。心の_ソフトウェア_だけに集中して、_ハードウェア_を無視することはできないでしょうか?
まさにこの議論は、長年にわたってさまざまな形で公布されてきました。 David Marr はおそらく、3 つの異なる [[levels of analysis]] ([[@Marr77]]) で認知をある程度独立して調べることができると主張し、最も影響力がありました。
* **計算** --- どのような計算が実行されていますか?どのような情報が処理されていますか?
* **アルゴリズム** --- 一連の情報処理ステップの観点から、これらの計算はどのように実行されますか?
* **実装** --- ハードウェアはこれらのアルゴリズムを実際にどのように実装するのでしょうか?
この問題の分割方法は、コンピュータと同様、ハードウェアは実際にはそれほど重要ではないため、実装 (つまり脳) を無視しても問題なく、計算レベルとアルゴリズム レベルに集中できると主張するために使用されてきました。
ただし、このアプローチの重要な見落としは、標準的なコンピューターでハードウェアが重要ではない理由は、_そもそもそれらはすべて、機能的に同等になるように特別に設計されているためであるということです!_ 確かに、多くの異なる詳細がありますが、それらはすべて基本的なシリアル フォン ノイマン アーキテクチャを実装しているということです。脳のアーキテクチャが大きく異なり、一部のアルゴリズムや計算が非常に効率的に動作する一方、他のアルゴリズムや計算はサポートできない場合はどうなるでしょうか?そうなると、実装レベルが非常に重要になります。
これが事実であると信じる十分な理由があります。脳は汎用の計算装置とはまったく異なります。代わりに、実際には、200 億個のニューロンにわたって大規模な並列処理で非常に特殊な計算セットを実装するカスタム ハードウェアです。この点では、現代のコンピューターの特殊なグラフィックス処理装置 ([[GPU]]) によく似ています。これらは、複雑な 3D グラフィックスのレンダリングに必要な特定の計算を大規模な並列処理で効率的に実行するようにカスタム設計されています。
より一般的には、コンピューター サイエンスの分野では、並列計算のプログラミングが非常に難しく、効率的な並列計算を実現するにはアルゴリズムと計算を完全に再考する必要があることが判明しつつあります。したがって、脳のハードウェアは重要な制約を課している可能性が高く、どのような種類のアルゴリズムや計算が実行されているかについて多くの重要な手がかりを提供します。
歴史的に、「脳を無視する」アプローチは興味深い軌跡をたどってきました。 1960 年代から 1990 年代初頭にかけて、脳は実際には標準的なコンピューターとほぼ同じように動作すると仮定するアプローチが主流であり、研究者は認知モデルに論理や記号命題などの概念を使用する傾向がありました。それ以来、より統計的な比喩が普及するようになり、特にベイズ確率的フレームワークが広く使用されるようになりました。これは、認知の多くの（すべてではありませんが！）側面が実際に動作する方法に特によく適合していないようだったハードシンボルやロジックとは対照的に、脳内の情報処理の段階的な性質（たとえば、さまざまな段階的な確率を統合して、何らかのイベントの可能性の全体的な推定値に到達する）を強調するため、多くの点で進歩です。
しかし、ベイズ確率計算の実際の数学は、脳が神経レベルでどのように機能するかに特によく適合しているわけではなく、この研究の多くは、脳が実際にどのように機能するかをあまり考慮せずに行われています。代わりに、マーの計算レベルのバージョンが採用されており、脳が何をしていてもそれは少なくとも最適に近いものである必要があり、ベイジアン モデルは多くの場合、不確実な情報を最適に組み合わせる方法を教えてくれます。
この最適性の仮定が妥当であるかどうかに関係なく、特定の問題に対して最適な計算が何であるかを知ることは間違いなく有益であるため、このアプローチは一般に確かに多くの価値があります。ただし、最適性は通常、多くの仮定に基づいて条件付けされるため、これらの異なる仮定の中から決定することが困難なことがよくあります。
{id="figure_puzzle-blue-sky" style="高さ:30em"}
脳が実際にどのように認知を生み出しているのかを本当に知りたいのであれば、明らかに脳が実際にどのように機能しているのかを知る必要があります。はい、これは難しいです。しかし、それは不可能ではありません。最近の [[neuroscience]] の状態では、脳が実際にどのように機能するかについてのあらゆる種類の洞察を提供する有益な情報が豊富にあります。それはジグソーパズルに取り組むようなものです。最も簡単なパズルは、どこにでも独特のテクスチャとがらくたでいっぱいなので、ピースがどのように組み合わされるかを実際に確認できます ([[#figure_puzzle-clutter]])。
神経科学データの豊富なタブローは、この独特のジャンクをすべて提供して、認知を混乱させるプロセスを制限します。対照的に、抽象的で純粋に認知的なモデルは、特徴のない大きな青空 [[#figure_puzzle-blue-sky]] だけを備えたジグソーパズルのようなものです。論理的な制約があるのはピースの形状だけであり、それらはすべて非常に類似しており、区別するのが困難です。永遠に時間がかかります。
{id="figure_puzzle-clutter" style="高さ:30em"}
すべてのピースを組み合わせてパズルを完成させる、最も満足のいく例をいくつか紹介します (コレクションについては [[synergies]] を参照してください)。
* 高レベルの阻害と広範囲のびまん性結合を含む [[hippocampus]] の詳細な生物学は、新しい [[episodic memory|episodic memories]] を迅速に学習する際のその独特の役割、および難治性てんかんを予防するために海馬を切除した患者 HM からの注目すべきデータと適合します。海馬の計算モデル ([[hippocampus simulation]])) は、これらの生物学的詳細がどのようにして高レベルの「パターン分離」を生成し、記憶を高度に明確に保ち、それによって壊滅的なレベルの干渉を引き起こすことなく迅速な学習を可能にするかを示しています。
* ドーパミン、大脳基底核、および前頭前皮質の間の接続に関する詳細な生物学は、以前の報酬履歴に基づいて意思決定を行い、どの情報を保持しておくことが重要で、どの情報は無視してもよいかを学習するための計算要件と適合します。これらの原則は、[[Rubicon]] フレームワークに取り込まれており、[[dopamine]] システムが、後の有用性をどの情報を保持するかという早期の決定に変換するために必要な一種のタイムトラベルをどのように発揮できるかを示しています。そして、[[basal ganglia]] と [[prefrontal cortex]] の間の相互作用により、大脳基底核の決定が前頭前野で維持され、それに作用するものに影響を与えることが可能になります。ここには多くの部分がありますが、それらがすべて機能モデルに非常によく適合しているという事実、およびそれらの多くの側面が直接実験のテストに耐えているという事実により、これが実際に起こっていることである可能性が非常に高くなります。
## 脳のリバースエンジニアリング
脳が実際に何をしているのかを計算レベルで理解しようとするプロセスは、しばしば「脳のリバース エンジニアリング」として説明され、多くの思考実験がコンピューターやその他の複雑なシステムのリバース エンジニアリングとの類推で議論されてきました。多くの場合、脳は非常に複雑であり、コンピューターのようにさまざまなレベルの分析についてよく知らなければ、リバース エンジニアリングが困難であるという結論になります。
これに対する答えの 1 つは、実際、脳が行っていることを説明する計算レベルと認知レベルの両方について多くのことを私たちは知っており、これらすべてを組み合わせることで、実際に脳が行っていることを理解するある程度の合理的な期待ができるということです。 [[synaptic plasticity]]、[[perception]]、[[memory]] などの脳機能の多くの側面では、これらのレベル全体にわたる十分に確立されたコンセンサス理解があり、脳が何をしているのかを本当に理解していると比較的自信を持ってよいと考えられます。
さらに、複雑な現実世界の環境における [[reinforcement learning]] の一般的な問題は、すべての動物が生存に関連する重要なスキルを [[evolution]] に大きく依存しているという [[curse of dimensionality]] のせいで十分に扱いにくいものです。したがって、人間の脳がどのように機能するかを本当に理解する唯一の方法は、進化から何が始まり、それがその後の生涯にわたる学習をどのように形作るのかを何らかの方法でリバースエンジニアリングすることです。これが [[Rubicon]] フレームワークの目的です。
## AI、ML、神経科学
このフレームワークのベースとなるコア マテリアルは 2000 年 ([[@OReillyMunakata00]]) 以来 25 年間存在しており、ニューラル ネットワーク モデルの全体的な人気はその間に大幅に変動しました (簡潔なレビューについては、[[abstract neural network]] モデルを参照してください)。 2012 年以来、ニューラル ネットワークに対する関心は持続的かつ指数関数的に増加しています。これは、これらのモデルのサイズがスケールアップされるにつれて、ますます優れたパフォーマンスが向上していることによって後押しされています。興味深いことに、これらの新しい「AI」([[artificial intelligence]]) モデルを動かす中心となる原理は、Axon が近似した [[error backpropagation]] 学習アルゴリズムなど、脳の機能に基づく原理の多くと一致しています。
ただし、これらの新しい AI モデルには、基礎となる生物学と「一致しない」メカニズムも多く含まれており、これらのモデルのパフォーマンスベースの目標は、脳の仕組みを理解するというより純粋に科学的な目標と矛盾することがよくあります。いずれにせよ、私たちは脳が実際にどのように機能するかを理解するという全体的な科学的使命に焦点を当て続けながら、これらのモデルの成功から可能な限り多くのことを学ぼうと努めています。
[[Intro Book]] の次: [[Neuron]]
</section>