ヒブス学習を用いたスパiking神経ネットワークにおけるメモリ拡張型計算および学習

記憶は、数百ミリ秒から数年にわたる広範な時間スケールにおいて情報を保持する能力を可能にする、生物の神経系の主要な構成要素である。ヒブス型可塑性（Hebbian plasticity）は、生物的記憶において中心的な役割を果たしていると広く考えられているが、これまでの研究では主にパターン補完や非教師あり学習の文脈で分析されてきた。本研究では、ヒブス型可塑性が生物神経系における計算プロセスの基盤であると提唱する。我々は、ヒブス型シナプス可塑性を組み込んだ新たなスパイク神経ネットワーク（spiking neural network）アーキテクチャを提案する。本研究では、ヒブス型可塑性の導入により、スパイク神経ネットワークが計算能力および学習能力の面で驚くほど多様性を示すことを示す。具体的には、分布外一般化（out-of-distribution generalization）、ワンショット学習（one-shot learning）、マルチモーダルな生成的関連（cross-modal generative association）、言語処理、報酬に基づく学習といった能力が顕著に向上することが明らかになった。スパイク神経ネットワークは、エネルギー効率の高いニューモルフィックハードウェアの基盤となるため、本研究の知見は、この原理に基づく強力な認知機能を有するニューモルフィックシステムの構築が可能であることを示唆している。