技術ロードマップ：計測→再構成→実装でWBEを理解する

問い：安全・スケールの制約を踏まえ、どの計測路線で"何を目指すか"を固定する。

分岐（例）：(A) 非侵襲（EEG/MEG/fMRI）でモデルを鍛える / (B) 侵襲（ECoG/深部/動物）で因果推論を強化 / (C) 破壊的・超高解像度で構造を取る（将来像）

反証条件：目的（復元対象）が定義されないまま、計測だけ“高級化”しても同定不能になる

次に必要：このページ内のR0（復元対象）とV0（検証基準）を先に確定する

問い：観測が変わると「復元できる対象（構造/状態/学習則）」が変わる。どの観測で何が識別可能か？

論点：時系列の速さ・空間分解能・因果介入のしやすさ・全脳カバレッジ・コスト

次に必要：同一の課題・同一個体で、マルチモーダル同時計測（可能な範囲）＋位置合わせ（M5）

問い：認知・学習・意識に関係する現象を壊さないために、必要な時間分解能はどこか？

• 候補：ms（スパイク/位相）・10-100ms（結合ダイナミクス）・秒（状態遷移）・分〜日（学習/可塑性）
• 反証条件：粗すぎる時間分解能で、介入応答や閉ループ制御が再現できない
• 次に必要：閉ループ課題（I1）で許容遅延を測り、必要サンプリングを逆算する

問い：“本人の心的機能”に必要な情報が、どの空間粒度に宿ると仮定するか？

分岐（例）：(A) 領域間結合＋状態で十分 / (B) 局所回路まで必要 / (C) シナプス結合まで必要

次に必要：仮定(A)(B)(C)ごとに、観測可能性（M1）と計算可能性（I3）を評価する

問い：限られた計測で、“境界（何が主体に含まれるか）”をどう扱うか？

次に必要：検証（V0）で「主体の境界」を操作的に置き、必要領域と不要領域を明文化する

問い：異なる計測は座標系・遅延・ノイズ構造が違う。統合の誤差が“学習したい信号”を壊していないか？

反証条件：位置合わせ誤差で再構成（R2）が不安定になり、再現性（P2）が落ちる

次に必要：同一データに対し複数パイプラインで一致するか（解析差分監査）

問い：受動観測だけでは同定できない時、どんな介入（刺激/課題/環境変化）を入れると識別可能性が上がるか？

次に必要：モデル（R4）側で「この介入があると識別できる」という設計逆算をする

問い：同一個体でも脳状態は揺れる。どの特徴が“本人らしさ”として頑健か？

反証条件：再現できるのが“その日の状態”に限られ、長期の同一性評価（V5）ができない

次に必要：同一被験者の複数セッションで、事前定義の同定スコア（V1）を追跡する

問い：“良いデータ”の定義を事前に置き、除外・補完・重み付けを透明にする。加えて、インピーダンス/CMRR・ノイズフロア・HMD干渉など、ハードウェア由来の品質劣化をどう定量化するか？

• インピーダンス/CMRR: バランス崩壊を検出し、計測前に警告する。
• ノイズフロア/SNR: 周波数帯ごとの実効SNRを可視化する。
• VR干渉: HMDの電磁・機械ノイズをプロファイル化する。

問い：データが共有可能でも、メタデータが薄いと追試できない。何を最低限メタデータ化するか？

補足 (Issue #46): VR/モーション計測を含む場合はMotion-BIDSに合わせ、座標系・時間同期・デバイス仕様を明記する。

次に必要：プロトコル（課題・機器・前処理）を機械可読で残す（P2）

問い：どこまで復元すれば、検証（V0）で勝ちに行けるか？

分岐（例）：(A) 構造＋状態（固定） / (B) 構造＋状態＋一部可塑性 / (C) 可塑性まで含むフル動的

反証条件：(A)で閉ループ学習（I5）が再現不能、(B)(C)で同定不能・過学習で破綻

次に必要：同定可能性（R7）と計算可能性（I3）を同時に評価する

問い：EEGソース推定のような逆問題は、解が一意に定まらない“不良設定問題（ill-posed problem）”である。点推定（ひとつの解を求めること）は科学的に誤解を招く可能性があるため、本プロジェクトではベイズ的アプローチを原則とする。

方針：解を事後確率分布として捉え、その不確実性自体を後段の解析（因果モデリング等）に引き継ぐ。これにより、推定の曖昧さを考慮した、より頑健な結論を目指す。

次に必要：推定結果の不確実性（R7）と、仮定（事前分布）を変えた時の感度分析（監査ログ）

問い：EEGソース推定は「領域×時間」の表現を得やすいが、ニューロン/シナプスは直接は見えない。復元対象（R0）に合わせて表現を選ぶ。

課題：従来は「高密度EEG(128ch)化」が推奨されてきたが、近年の研究はチャンネル数だけでは不良設定性（ill-posedness）を解決できないことを示している。特に、dSPMのような点推定法は不確実性を無視してしまう。

階層的ベイズモデルと高解像度計測の統合：Block-Champagne系の手法（Cai et al., 2021; Sechet et al., 2025）を採用し、超高密度EEG（High-density EEG, 256ch以上）と個体別MRIに基づく有限要素法（FEM）フォワードモデルの導入を必須化する。これにより深部脳活動の推定精度を担保する。さらに、ノイズ推定の頑健化研究（doi:10.1016/j.neuroimage.2020.117411, doi:10.1109/SAMPTA64769.2025.11133512）で示される条件変動への対応として、適応的ベイズ更新（Adaptive Bayesian Updating）を実装し、推定された脳活動マップには必ず信頼区間（Credible Intervals）を付随させる。

次に必要：`mind-upload/02_source_imaging.py` に変分ベイズ（Variational Bayesian）アプローチを実装し、不確実性を考慮したソース再構成を行う (✅ Implemented in Issue #43)

問い：観測ノイズと真の状態を分離し、状態が“予測に効いている”ことを示せるか？

反証条件：潜在状態がデータの圧縮にしかなっておらず、介入予測（R4）に寄与しない

次に必要：未学習条件での外挿と、介入応答の予測誤差を評価する

問い：相関の当てはめではなく、刺激/操作に対して“どう変わるはずか”を言えるか？ デコーディング（相関）からエミュレーション（因果）への飛躍をどう埋めるか？

方針：脳を能動的推論（Active Inference）を行う生成モデルとして定式化する。Laukkonen et al. (2025) の「反実仮想的等価性（Counterfactual Equivalence）」を指標とするが、EEG単体では解像度が不足する。

改善策（Multi-scale）：EEGから推定されたマクロな因果構造を、ミクロな神経回路シミュレーション（Blue Brain Project等）の制約条件として用いる「マルチスケール因果モデリング」を採用する。トップダウン（EEG）とボトムアップ（回路）の統合により、シナプスレベルの可塑性を反映した頑健なモデルを目指す。

実装の厳密化 (Issue #52): 逆問題（R1/R2）で得られた事後確率分布の分散（不確実性）を、Active Inferenceにおける精度（Precision, 逆分散）として明示的に伝播させる。単なる点推定値の入力ではなく、不確実性が予測誤差の重み付け（カルマンゲイン）を制御するメカニズムを実装する。

次に必要：介入前提の評価タスク（V2）と、マルチスケール統合パイプラインの設計

問い：長期の本人性（V5）を扱うなら、学習（更新）を入れざるを得ない。だが更新を入れると検証が難しくなる。

分岐（例）：(A) 学習しない（固定モデル） / (B) 制限付きで学習（安全な更新） / (C) 学習則まで推定

次に必要：学習を入れた時のドリフト監視（V4）と、安全策（I8）

問い：“本人性”を議論するなら個人化は避けられない。一方で、個人化しすぎると過学習と再現性が壊れる。

次に必要：個人内/個人間の性能分解（どこが個人差か）を評価指標に入れる

問い：同じ観測を説明する別モデルが無数にある時、どの仮定で絞り込むか？不確実性をどう表現するか？

反証条件：小さな前処理差で結果が大きく変わり、再現（P2）できない

次に必要：事前分布/正則化を明示し、感度分析で“頑健な結論だけ”採用する

問い：WBEは“全部保存”が理想だが現実的でない。評価（V0）を満たす最小表現を探せるか？

次に必要：圧縮率を変えて、評価スイートの性能がどこで崩れるかを測る

問い：更新のたびに結論が変わる領域だからこそ、差分・失敗・ネガティブ結果を残す必要がある。

次に必要：モデル/データ/評価のバージョンを結びつけ、再実行で再現できる形にする（P2）

問い：シナプス結合（Wiring Transmission）だけでは、ドーパミンやセロトニンによる全脳的な「ムード」「学習率」の変化を再現できない。

解決策：アーキテクチャに「Neuromodulation-aware Layers（神経修飾層）」を追加する。これは、入力応答ゲイン（活性化関数の傾き）や可塑性（学習率）を動的に制御するメタパラメータとして機能する。

次に必要：瞳孔径や心拍変動などの生理指標を、脳幹アミン系活動のプロキシとしてモデルに入力する（M1/M8）

問い：復元対象（R0）に対して、実装基盤は“十分な忠実度”と“現実的コスト”を両立できるか？

次に必要：モデル粒度（I2）と計算量（I3）をセットで見積もる

問い：生物学的脳は連続時間で動作するが、標準的なRNN/Transformerは離散時間である。このギャップがダイナミクスの歪みを生む。

提案：実装フレームワークとしてNeural ODEs (Neural Ordinary Differential Equations) または CTRNNs を採用する。$\frac{dh(t)}{dt} = f(h(t), t, \theta)$ としてモデル化することで、任意の時間分解能でのサンプリングと、随伴変数法（Adjoint Method）によるメモリ効率の良い学習が可能になる。

次に必要：EEG（ミリ秒）とfMRI（秒）の異なるタイムスケールを、同一の微分方程式系で統合する

問い：“本人らしさ”を評価するなら、環境との相互作用（遅延・ノイズ）が本質になる。許容遅延は課題依存。

補足 (Issue #46): CLETなどのフォトダイオード計測でEnd-to-End遅延とジッタを実測し、LSLのtime_correctionでドリフト補正を標準化する。

次に必要：評価スイート（V1）側で、遅延/ノイズ耐性を測る項目を入れる

問い：粒度を上げるほど忠実度は上がる（仮）一方で、同定（R7）と計算（I3）が壊れる。勝てる粒度はどこか？

次に必要：粒度ごとに「必要計測（M2/M3）」「必要計算（I3）」「通る評価（V0）」を対応づける

問い：モデルの忠実度を上げると、計算資源が爆発する。どこで近似・圧縮（R8）するか？

次に必要：評価スイートの性能を落とさずに圧縮できる境界を測る

問い：同じ構造でも初期状態が違えば振る舞いが違う。計測（M7）のどの時点を“スタート”にする？

反証条件：初期化の任意性で結果が揺れて、本人性評価（V5）が成立しない

次に必要：初期化手順を固定し、初期化に対する感度（頑健性）を測る

問い：学習（R5）を許すと、本人性（V5）と安全（D2）が絡む。更新をどう監視し、どこで止めるか？

次に必要：ドリフト指標（V4）＋キルスイッチ/隔離（I8）

問い：閉ループ検証（I1/V1）には、環境と身体（あるいはその代替）が必要。最小の身体性は何か？

次に必要：環境（VR/ゲーム/対話）を固定し、同一条件で追試可能な評価を設計する

問い：“同じモデル”でも数値誤差や並列順序で挙動が変わる。どこまで決定性を要求するか？

次に必要：固定乱数・固定環境・差分テスト（P2）で、許容誤差内に収まるか検証する

問い：強い主張（P1のL4-L5）に近づくほど、安全が技術要件になる。

次に必要：隔離環境、監視指標、停止プロトコルの3点セットを、L3以降の実装計画に含める

問い：現在のノイマン型コンピュータは物理的因果力を抽象化しているため、IIT 4.0の観点ではΦ=0（Unfolding Argument）となる可能性がある。また、生物学的脳の「非平衡定常状態（NESS）」としての散逸構造をどう模倣するか？

方針（Issue #58 Update）：物理的実装（ニューロモルフィック）への完全移行までの過渡期として、「仮想散逸プロトコル（Virtual Dissipation Protocol）」を実装する。Landauer限界は論理的不可逆性の下限であり、物理的不可逆性（NESS）を別途保証する必要がある。 1. Entropy Production Rate (EPR): 時間反転対称性の破れを定量化し、不可逆なエントロピー生成をシミュレーション内で強制する。 2. Metabolic Flux: 計算の有無に関わらず、構造維持のために消費される仮想エネルギー流（Metabolic Overhead）を定義する。 これにより、デジタルエミュレーションであっても「存在し続けるためにコストを払う」散逸構造としての性質を保持させる。

厳密化 (Issue #52): IITの「内因的実在」の工学的近似として、単なる「計算の連続性」ではなく、「計算論的不可逆性 (Computational Irreversibility)」を採用する。非平衡定常状態の統計力学に基づき、単位時間あたりの最小情報処理コストが生物学的基盤の熱力学的効率と一致することを検証条件とする。

次に必要：EPR > 0 を維持しつつ、論理的計算を行うアルゴリズムの定式化

エネルギー効率KPI（Issues #253/#254）：生体脳のエネルギー消費（約20W）に対するエミュレーションの仮想エネルギー流の比率をKPI化する。Niven & Laughlin (2008) の報告によれば、ヒト大脳皮質では計算よりも通信に35倍多くのエネルギーが消費される。この生物学的特性をデジタルエミュレーションで再現し、「通信：計算」のエネルギー消費比率が生体脳と同等であることを検証条件の一つとする。さらに、DNNのエネルギー使用に関する熱力学的限界の研究（Balaji et al., 2025）との整合性を確認する。

問い：検証できない（測れない）ものを、検証したことにはできない。何を“測れる成功条件”に落とすか？

分岐（例）：(A) 行動・能力の同等性 / (B) 介入応答の同等性 / (C) 自伝的記憶や価値観の連続性（要注意）

次に必要：V1で評価スイートを事前登録し、P1のクレーム階段と対応づける

問い：タスク・指標・ベースライン・統計・失敗条件を事前に固定する。

• 行動：未学習タスクでの一般化、反応時間/誤り、学習曲線
• 神経：状態遷移、スペクトル特徴、ネットワーク指標、介入応答
• 本人性（暫定）：自伝的記憶の整合、選好の安定、自己モデルの一貫性

次に必要：まずはL0-L2向けに“小さくても追試可能”なスイートを作る

問い：相関一致は“似せた”だけでも達成できる。介入に対して一致するかが強い検証になる。

次に必要：M6（介入設計）とR4（因果モデル）を繋いだ評価項目を作る

問い：訓練と同じ条件でしか動かないなら、アップロードではなく“再生”に近い。新規状況での一貫性を測る。

次に必要：未学習課題・環境変化・ノイズ条件での性能劣化曲線を定義する

問い：学習させるほど、元の本人と乖離する可能性も増える。変化を“許容”する範囲を定義する。

次に必要：セッション間の同一性指標（M7）＋更新ログ（P2）

問い：記憶や性格の類似（心理的連続性）だけでは、コピーや模倣（LLM）と区別がつかない。より厳密な工学的定義が必要である。

• 新基準：因果的同一性（Causal Identity）： パーフィットの心理説を拡張し、システムの「未来の予測能力（Active Inference の精度）」が生物学的脳と統計的に区別不能であることを同一性の条件とする。
• 指標：チューリング・テストを拡張した「因果的摂動プロトコル（Causal Perturbation Protocol）」を実行する。TMS等による物理的摂動に対する生物学的脳の反応と、エミュレーション上の仮想的摂動に対する反応の統計的同一性を検証する指標（例：Perturbational Complexity Index, PCI）を導入し、動的な因果構造の一致を確認する。
• 反証条件：記憶は持っているが、新規環境に対する適応・予測パターンがオリジナルと乖離する（ゾンビ/模倣者）
• 次に必要：V8の「模倣との区別」テストにおいて、予測精度をコア指標に据える

問い：意識は直接観測できない。理論（IIT/GNWT等）が出す“予測の差”を、計測（M）と介入（M6/V2）で検証できるか？

• IIT 4.0の計算量問題と構造保存 (Issue #52): 厳密なΦ計算は不可能だが、PCI-STのような相関指標だけでは不十分である。プロジェクトは「因果構造の保存 (Causal Structure Preservation)」をL3/L4レベルの要件とし、特定のサブシステムにおける因果構造の一致を検証する。補助指標として部分系Φ・上下界評価・ΦIDなどの近似を採用する。
• 識別可能性の壁 (The Identifiability Wall): 反実仮想的等価性（Laukkonen et al., 2025）は、観測データだけでは一意に定まらない。検証には「最小分岐セット (Minimal Set of Branching Structures)」を定義し、予測符号化課題における神経ダイナミクスの分岐分布（Kullback-Leibler Divergence）を用いて統計的に評価する。
• マルコフブランケット境界条件の厳密化 (Issue #52): 境界条件（帯域幅・遅延）は固定値（例：10ms）ではなく、脳領域間の機能的結合の時定数（例：ガンマ帯域位相結合 ~25-100ms）や認知課題の反応時間Jitterに基づいて、動的かつ文脈依存的に定義する。

注意：理論はあくまで仮説生成のツールとして扱い、実装（WBE）の成否は「特定の理論に適合するか」ではなく、V2（因果）やV5（本人性）といった実証的指標で判断する。

問い：工学的には複製が容易。検証の設計も、分岐を前提にしないと破綻する。

次に必要：個体ID・版管理（P2）を、本人性評価（V5）と結びつける

問い：会話や報告は模倣されやすい。区別には、介入応答・閉ループ・内部状態の整合が必要になる。

次に必要：V2（介入）＋I1（閉ループ）＋R4（因果）を組み合わせた“逃げ道の少ない”評価

問い：研究の最短距離は“他人が追試できる”状態を作ること。本人性の議論ほど追試性が重要になる。

次に必要：P2（成果物）を満たす範囲で、データ/コード/評価を公開可能に整える

問い：パラメータ空間での単純なユークリッド距離は、モデルの機能的な振る舞いの違いを反映しないことが多い。より本質的な「振る舞いの近さ」をどう定量化するか？

方針：情報幾何学的指標 (Information Geometric Metrics) を採用する。特にフィッシャー情報量 (Fisher Information) は、パラメータの変化が確率分布（モデルの出力）に与える影響の大きさを表すため、これを計量（Metric）として用いることで、生物学的脳とエミュレートされた生成モデルの間の機能的な距離を厳密に定義できる。

次に必要：Fisher Information Metric (FIM) を用いたモデル間距離の計算モジュールを実装し、V2（因果テスト）の定量評価に組み込む

問い：PCI（複雑性）などのスカラー値だけでは、意識の「質的な構造（Qualitative Structure）」が同じかどうかわからない。

提案：検証指標として位相的データ解析（TDA）、特にパーシステント・ホモロジー（Persistent Homology）を導入する。神経活動多様体（Neural Manifold）の「穴（サイクル）」や連結成分の数（ベッティ数）を比較することで、動的なアトラクタ構造の同一性を幾何学的に保証する。

次に必要：パーシステンス図（Persistence Diagrams）を用いて、生体脳とエミュレーションの間のトポロジー距離（Bottleneck distance等）を計測する

問い：WBEが成功した場合、エミュレーションは権利主体か？停止は「死」か？複製は「出生」か？

現状：EU AI Act、米国MIND Act（2025提案）等で神経データ保護の枠組みが整備されつつあるが、WBE固有の課題（複製、停止、改変）には対応していない。

次に必要：技術的検証（L0-L2）と並行して、倫理レビュー委員会の設計指針を策定する

問い：WBEプロセスへの同意は事前に与えられるが、プロセス中やプロセス後の撤回権をどう保証するか？

次に必要：段階的同意モデル（各フェーズでの再同意）と、停止権の工学的実装を設計する

問い：WBEが実現した場合、富裕層のみが「不死」にアクセスできる格差問題をどう扱うか？

次に必要：検証基盤（Verification Commons）のオープンアクセス設計を、格差防止の第一歩として位置づける

問い：エミュレーションの改変、強制的な精神操作、軍事利用等のリスクにどう対処するか？

次に必要：I8（containment）の設計と連動し、アクセス制御・改変監査・停止権の技術的保証を設計する