Command Palette
Search for a command to run...
従来の方法より4200倍高速！ETHチューリッヒは、ヒト皮質データで検証された初のニューロンモデリングフレームワーク「NOBLE」を提案します。
数百個のニューロンからなる複雑な回路を通して、ヒトの脳がどのように認知機能を形成するのかは、生命科学において依然として深遠かつ未解明の謎です。過去10年間、電気生理学、形態学、トランスクリプトミクスにおけるマルチモーダルデータの蓄積により、科学者たちはヒトニューロンの遺伝子発現、形態構造、そして電気生理学的特性における顕著な多様性を徐々に明らかにしてきました。しかしながら、これらの差異が脳の情報処理にどのような影響を与えるのか、例えば特定の遺伝子発現と神経疾患との本質的な関連性などについては、依然として未解明の問題です。
伝統的に、研究者は3次元多コンパートメント偏微分方程式（PDE）に基づくモデルを用いて神経活動をシミュレートしてきました。これらのモデルは生物学的現実を比較的よく再現できますが、しかし、計算コストが非常に高いという致命的な欠陥があります。単一ニューロンモデルの最適化には約60万CPUコア時間を消費し、パラメータをわずかに変更するだけで、シミュレーション結果と実験データの間に大きな乖離が生じる可能性があります。さらに重要なのは、これらの決定論的モデルでは、実験で観察される「固有の変動性」を捉えるのが難しいことです。同じ入力を与えても、同じニューロンが異なる電気生理学的反応を示す可能性があります。さらに、人工的にランダム性を導入すると、非機械的な干渉が生じることが多く、モデル予測の信頼性がさらに低下します。
これらの課題に対処するため、ETH チューリッヒ、カリフォルニア工科大学、アルバータ大学などの機関による共同チームが…NOBLE (Neural Operator with Biologically-informed Latent Embeddings) と呼ばれるディープラーニング フレームワークが提案されています。
このフレームワークの革新性は、これは、人間の大脳皮質の実験データを使用してその性能を検証した初の大規模ディープラーニング フレームワークであり、実験データからニューロンの非線形ダイナミクスを直接学習することに初めて成功したフレームワークです。その核となるブレークスルーは、統一された「ニューラル オペレーター」の構築にあります。各モデルごとに別個の代替システムを学習させることなく、ニューロン特性の連続的な潜在空間を一連の電圧応答にマッピングできます。pvalbumin陽性（PVALB）ニューロンデータセットを用いたテストでは、NOBLEは50種類の既知モデルと10種類の未知モデルの閾値下および発火ダイナミクスを正確に再現しただけでなく、シミュレーション速度も従来の数値ソルバーの4,200倍高速でした。
「NOBLE – 生物学的情報に基づく潜在的埋め込みにより生物学的ニューロンモデルの実験的変動性を捉えるニューラルオペレーター」と題された関連研究成果が、NeurIPS 2025 に採択されました。
用紙のアドレス:
弊社の公式 WeChat アカウントをフォローし、バックグラウンドで「NOBLE」と返信すると、完全な PDF を入手できます。
AIフロンティアに関するその他の論文:
https://hyper.ai/papers
データセット: 60 個の HoF モデル、250 世代の進化的最適化、および 16 個の生理学的指標をカバーします。
NOBLE フレームワークの有効性を検証するために、研究チームは、人間の皮質ニューロンの生物学的にリアルなモデルシミュレーションの結果から得られたアルブミン陽性 (PVALB) ニューロンを含む専用のデータセットを構築しました。これらのモデルは NEURON シミュレーション環境上に構築されており、「すべてアクティブな」イオン チャネル構成を採用しています。このシステムは、実験で記録された電気生理学的特性を再現することを目的として、多目的進化最適化フレームワークを使用して生成されました。
具体的には、データセットには 60 個の HoF モデルが含まれており、そのうち 50 個はトレーニングに使用され (分布内モデル)、10 個はテスト用の未知のモデルとして使用されます (分布外モデル)。下図に示すように、各モデルは250世代にわたる進化的最適化を受け、異なる世代からの電圧応答を収集します。次に、ケーブル方程式は空間離散化によって連成常微分方程式に変換されます。最後に、シミュレーション特性と実験特性間の平均Zスコア誤差を最小化するパラメータの組み合わせが選択されます。
データ生成プロセスでは、2段階の最適化戦略を採用しています。まず、受動的な閾値下応答をフィッティングし、次に能動的なダイナミクスとピーク閾値を超える周波数-電流曲線全体を捕捉します。時系列データは0.02msの時間ステップで515msサンプリングされ、3回の時間サブサンプリングを経て8583個の時間点が保持されます。これにより、エイリアシングの影響が回避され、計算負荷が軽減されます。
下の図に示すように、電圧変化曲線のほかに、データセットには、16 個の主要な「生理学的指標」の注釈も含まれています。このデータセットには、表示パターン（1行目）、実験的な電圧トレース（2行目）、シミュレーションによる電圧トレース（3行目）、スパイク波形（4行目）、周波数-電流曲線（5行目）が含まれており、AIモデルを評価するための包括的な基準を提供します。この設計により、データセットはAIによるニューロン応答の予測と予測品質の評価の両方に使用でき、「教育、訓練、テスト」への統合的なアプローチを実現します。
NOBLE: FNO によって駆動され、デュアル入力に埋め込まれたニューラル オペレータ フレームワーク。
NOBLE フレームワークの核となる革新性は、ニューラル オペレーターとバイオインフォマティクスの潜在的な埋め込み技術を深く統合していることにあります。神経細胞の特徴から電圧応答へのエンドツーエンドのマッピングシステムが構築されました。これは比喩的に「神経信号トランスレータ」と呼ぶことができます。このフレームワークは、フーリエニューラルオペレータ（FNO）を基盤アーキテクチャとして採用しており、神経電気生理学の時空間シーケンスデータを効率的に処理できることが利点です。FNOは音声信号処理のアイデアを借用し、等間隔でサンプリングされた電気生理学的信号を高速フーリエ変換を用いて周波数領域で解析することで、神経ダイナミクス研究に特化した計算ツールとなっています。
モデルの「翻訳」機能は、ニューロン特徴埋め込みと電流注入埋め込みという 2 つの主要な入力埋め込み設計から生まれています。
前者は、生物学的に解釈可能な2つの指標、閾値電流（Ithr）と局所勾配（sthr）をコア特徴量として選択します。これらはまず[0.5, 3.5]²区間に正規化され、その後NeRFスタイルの三角関数エンコーディングを用いて時系列スタックに変換されます。これは本質的に、ニューロンの「ハードウェアパラメータマニュアル」をモデルに提供し、ニューロンの主要な電気生理学的特性を明確に定義します。後者は、入力電流の励起パラメータに対応するK=9多周波数エンコーディング戦略を採用しています。下図に示すように、2組の埋め込み型スタック入力チャネルは、低次元特徴量をFNOの周波数領域処理手法と効果的に整合させ、神経信号の高周波ダイナミクスを捉えるモデルの能力を大幅に向上させます。
ネットワーク構造の観点から見ると、NOBLE には 12 個の隠し層が含まれています。各層は24チャネルを持ち、256のフーリエモードを採用しています。その結果、約180万のモデルパラメータが生成され、これは同規模のニューラルネットワークをシミュレートしたものと同等です。学習プロセスでは「パーソナライズ学習」戦略を採用しています。初期学習率0.004のAdamオプティマイザーとReduceLROnPlateauスケジューリング戦略を組み合わせ、L4相対誤差を損失関数として使用することで、モデルは基本原理を素早く理解し、学習のボトルネックが発生した際に学習ペースを自動的に調整します。従来の手法と比較して、NOBLEはニューロンごとに個別のサロゲートモデルを学習する必要がなく、単一のニューラルオペレータによってニューロンモデル空間全体を連続的にマッピングします。これにより、潜在空間補間を通じて生物学的にリアルな新しい神経応答を生成することができます。
さらに、NOBLEは「特定の改良」のための柔軟なスケーラビリティを備えており、特定の電気生理学的特性に対する物理的な情報に基づいた微調整をサポートします。重み付き複合損失関数L(λ)を導入することで、対象とする特徴量（例えば、サグ振幅）に高い重みを割り当てることができ、全体的な予測性能に影響を与えることなく、主要指標のモデリング精度を精密に向上させることができます。
NOBLE は多様なニューロンのダイナミクスを正確に捉え、従来のソルバーよりも 4200 倍高速です。
NOBLEフレームワークの全体的なパフォーマンスを体系的に評価する研究チームは、基本精度、一般化能力、計算効率、イノベーション創出能力、コアモジュールの有効性検証など、5 つの中核方向を中心に多次元の実験を設計しました。この実験では、アルブミン陽性 (PVALB) ニューロンの 50 個の HoF モデルを主なトレーニング データとして使用し、モデルの予測精度を相対的な L2 エラーといくつかの主要な電気生理学的指標によって定量化しました。
基本精度（流通試験）に関しては、NOBLEは、学習を行わなかった電流注入信号に対しても優れた予測能力を示し、相対L2誤差は2.18%と低い値を示しました。さらに、下図に示すように、研究者らは、電流注入量0.1nAおよび-0.11nAにおける実験データ、PDEシミュレーション、およびNOBLE予測の電圧軌跡をさらに比較しました。その結果、PDEシミュレーションは実験記録と高い整合性を示し、NOBLE予測とPDEシミュレーションの差は最小限であることが示されました。これは、NOBLEが数値ソルバーの精度を再現し、主要な生理学的ダイナミクスを確実に捉えていることを示しています。
汎化能力の評価（分布外テスト）では、NOBLEは、10種類の未知のHoFモデルに直面した場合でも高い予測精度を維持しました。研究チームはさらに、血管作動性腸管ペプチド（VIP）介在ニューロンデータに適用し、同様に安定した出力を達成しました。これは、NOBLEが単にトレーニングセットの特徴を記憶するのではなく、細胞種全体にわたる電気生理学的法則を真に理解していることを示しています。
計算効率の観点から言えば、NOBLEは画期的な速度優位性を発揮します。テスト結果によると、単一の電圧軌跡をわずか0.5ミリ秒で予測できるのに対し、従来の数値ソルバーでは同じシミュレーションに2.1秒かかります。これは約4200倍の速度向上に相当します。この効率性の向上は、将来的に数百万個のニューロンを持つネットワークのリアルタイムシミュレーションの基盤となり、脳全体のスケールモデリングを計算的に実現することを可能にします。
イノベーション創出能力に関しては、研究チームは、既知のニューロン特性間で新しいニューロンモデルを「補間・生成」するNOBLEの潜在能力の検証に重点を置きました。(Ithr, sthr)からなる潜在空間に50点をランダムに補間することで、NOBLEは対応する電圧応答軌跡を生成することに成功しました。その結果は実際の実験記録と非常に一致し、生物学的なリアリティを実証しました。一方、偏微分方程式のパラメータを直接補間する従来の手法では、生理学的に大きく異なるアーティファクトが生じ、いわゆる「ニューラルモデルモンスター」が発生します。この比較は、NOBLEが単にデータフィッティングを行うのではなく、ニューロンの根底にある生物物理学的法則を学習していることを強調しています。アンサンブル予測実験によるさらなる検証では、50個の学習済みモデルに基づく並列推論によって生成された電圧分布が数値シミュレーション結果と非常に一致し、サンプリング点を200に拡大しても、生成されたモデルは生物学的妥当性を維持することが示されました。
制御変数を使用した実験では、ニューロン特徴エンコーディングを削除した後、予測誤差が 2% から 12% に急上昇することが示され、このバイオインフォマティクス埋め込みがフレームワークの「コア エンジン」であることが証明されました。
GitHub リンク: github.com/neuraloperator/noble
ニューラル オペレーターの学術的進歩と産業応用は互いに共鳴し合っています。
ニューラルオペレーターとニューロンモデリングの相互統合は学界と産業界に大きな反響を呼び、脳科学研究を理論的探求から産業応用へと推進しています。
学術界の最前線では、ETH チューリッヒとカーネギーメロン大学が共同で提案したジオメトリ認識演算子変換フレームワーク (GAOT) が、マルチスケールの注意メカニズムと幾何学的埋め込み技術を活用しています。複雑な幾何学的領域のモデリングのボトルネックを打破します。このフレームワークは、900万ノードの産業グレードデータを用いたフル解像度の学習を初めて実現し、28の偏微分方程式のベンチマークテストで優れた性能を示しました。同時に、学習スループットを50%向上させ、推論レイテンシを15%～30%短縮することで、不規則な神経回路の正確なシミュレーションを可能にします。
論文タイトル: 任意領域における偏微分方程式の効率的かつ正確なニューラルサロゲートとしての幾何学を考慮した演算子変換
論文リンク:https://arxiv.org/abs/2505.18781
一方、MIT の「miBrain」モデルは、ニューロン実体の構築において大きな進歩を遂げました。この 3 次元プラットフォームは、人間の脳の 6 つの主要な細胞タイプを統合します。生体模倣ハイドロゲルを用いて神経血管ユニットの機能を再現することに成功し、遺伝子編集によりアルツハイマー病におけるグリア細胞の相乗的役割が明らかになり、神経オペレーターにとってより生理的に現実的な検証環境が提供されました。
論文タイトル: 工学的3D免疫グリア神経血管ヒトmiBrainモデル
論文リンク:https://doi.org/10.1073/pnas.2511596122
一方、業界は学術的知見をエンジニアリングに応用することに注力しています。NVIDIAのオープンソースフレームワークであるModulusとPhysicsNeMoはその好例です。これは、ニューラル オペレーターの実際のアプリケーションのための中核的な基盤を確立し、ライフ サイエンスからエンジニアリング シミュレーションまで、複数の分野にわたるアプリケーションをサポートします。5,000 万ノードのグリッドによる大規模なトレーニングを実現でき、多くの産業企業でデジタル ツインの構築に使用されています。
医療応用分野では、革新的な企業が神経操作技術と臨床ニーズを深く融合させています。ボーリング・ブレイン・コンピュータ・インターフェース社と浙江大学が共同開発した上肢外骨格リハビリテーションシステムは、神経信号解析アルゴリズムを最適化することで、運動指令生成の精度を向上させました。このシステムは既に、多施設共同臨床試験において、脳卒中片麻痺患者の基本的なセルフケア能力の回復を支援しています。
この産学連携イノベーションは、「基礎研究 - 技術転換 - 産業応用」という完全な閉ループの形成を加速させました。その核心的意義は、抽象的な演算子理論と具体的なニューロンモデルの有機的な融合にあり、神経シミュレーションの計算効率と生理学的リアリティを向上させるだけでなく、工学応用の限界を拡大します。
参考リンク:
1.https://mp.weixin.qq.com/s/HWi9wNK3idpUSXCVN_nIZQ
2.https://mp.weixin.qq.com/s/YbqtmO0eU8Fn2Y-oRdBdWQ
3.https://mp.weixin.qq.com/s/UIi30fX81Xeh5dqBPxzMPQ