24ノード構成の仕様説明

[!NOTE] 最新の実装状況は機能実装ステータス (Remaining Functionality) を参照してください。

作成日: 2026-01-12

概要

分散脳シミュレーションにおける24ノードフルブレイン構成のシステム仕様を説明します。本構成は、小〜中規模の分散脳実験に適した構成であり、各役割を適切に配置した完全な脳機能シミュレーションを実現します。

システム構成の概要

総ノード数: 24ノード
アーキテクチャ: 階層型分散アーキテクチャ
通信プロトコル: Zenohベースの非同期通信
コンセンサスアルゴリズム: 分散合意ベースの意思決定

実装ノート: モデルアーティファクトの仕様については docs/implementation/ARTIFACT_MANIFESTS.md を参照してください。

アーキテクチャ概要

階層構造

24ノード構成は以下の7層で構成されます：

Input Layer: センサーデータの収集と初期処理
Processing Layer: データのエンコーディングと推論
Decision Layer: タスク制御と行動生成
Memory Layer: ベクトル検索と記憶管理
Learning Layer: モデル更新と学習
Aggregation Layer: 結果集約と連合学習
Management Layer: 監視、認証、ログ管理

ノード配分仕様

役割	ノード数	主な機能	通信パターン
PFCノード (Prefrontal Cortex)	1	高レベル意思決定、Q-PFCフィードバック制御	コンセンサスベース
観測ノード (Sensing)	3	センサーデータ収集、多モーダル入力処理	ブロードキャスト
エンコードノード (Encoders)	4	データエンコーディング、特徴抽出	パイプライン
推論ノード (Inference/LM)	5	言語モデル推論、予測計算	リクエスト/レスポンス
意思決定/行動ノード (Planner/Controller)	2	タスク制御、行動計画生成	コンセンサスベース
記憶ノード (Vector DB/Retriever)	7	ベクトル検索、長期記憶管理、エピソード記憶、意味記憶	クエリベース
学習ノード (Trainer/Updater)	1	モデル更新、勾配計算	バッチ処理
集約/調停ノード (Aggregator/Federator)	2	結果集約、連合学習調整	集約通信
管理/ユーティリティ (Monitoring/Auth/Ethics)	3	システム監視、認証、倫理監視、ログ収集	制御通信

システム構成図

ノード ↔ RANK マッピング（実装参照: evospikenet/node_types.py）

実装上の定義に基づく Rank とノードの対応表（Rank 0〜23、合計24ノード）。ドキュメントはこの実装を正とします。

RANK 0: Prefrontal Cortex (PFC) — 実行制御ノード (pfc)
RANK 1: Primary Visual Cortex (V1) — 視覚ノード
RANK 2: Secondary Visual Cortex (V2) — 視覚ノード
RANK 3: Visual Area V4 — 視覚ノード
RANK 4: Inferior Temporal Cortex (IT) / Language processing — 言語/視覚結合ノード
RANK 5: Primary Auditory Cortex (A1) — 聴覚ノード
RANK 6: Secondary Auditory Cortex (A2) — 聴覚ノード
RANK 7: Dorsal Stream 1 — 視覚/動作連携ノード
RANK 8: Dorsal Stream 2 — 視覚/動作連携ノード
RANK 9: Dorsal Stream 3 — 視覚/動作連携ノード
RANK 10: Primary Motor Cortex (M1) — 運動ノード
RANK 11: Premotor Cortex — 運動ノード
RANK 12: Cerebellum — 運動/調整ノード
RANK 13: Superior Temporal Gyrus 1 (STG1) — 聴覚/言語ノード
RANK 14: Superior Temporal Gyrus 2 (STG2) — 聴覚/言語ノード
RANK 15: Superior Temporal Gyrus 3 (STG3) — 聴覚/言語ノード
RANK 16: Superior Parietal Lobule — 空間処理ノード
RANK 17: Occipitoparietal Junction — 空間処理ノード
RANK 18: Broca's Area — 音声生成/発話プランニングノード
RANK 19: Wernicke's Area — 言語理解ノード
RANK 20: Memory Node (hippocampal-like) — 記憶/エピソード保存
RANK 21: Memory Node (hippocampal-like) — 記憶/意味記憶
RANK 22: Decision / Additional Executive Node — 追加の意思決定ノード
RANK 23: Decision / Additional Executive Node — 追加の意思決定ノード

注: 上記マッピングは evospikenet/node_types.py の定数定義（RANK_*, NODE_TYPE_DEFINITIONS）をそのまま反映しています。実環境でのノード割当や活性化は NodeDiscovery サービスや設定ファイルに依存します。

graph TD
    subgraph "Input Layer"
        S1[Sensing Node 1]
        S2[Sensing Node 2]
        S3[Sensing Node 3]
        S4[Sensing Node 4]
    end

    subgraph "Processing Layer"
        E1[Encoder Node 1]
        E2[Encoder Node 2]
        E3[Encoder Node 3]
        E4[Encoder Node 4]
        I1[Inference Node 1]
        I2[Inference Node 2]
        I3[Inference Node 3]
        I4[Inference Node 4]
        I5[Inference Node 5]
        I6[Inference Node 6]
    end

    subgraph "Decision Layer"
        P1[Planner Node 1]
        P2[Planner Node 2]
    end

    subgraph "Memory Layer"
        M1[Memory Node 1]
        M2[Memory Node 2]
        M3[Memory Node 3]
    end

    subgraph "Learning Layer"
        T1[Trainer Node]
    end

    subgraph "Aggregation Layer"
        A1[Aggregator Node 1]
        A2[Aggregator Node 2]
    end

    subgraph "Management Layer"
        Mon[Monitoring Node]
        Auth[Auth Node]
    end

    S1 --> E1
    S2 --> E2
    S3 --> E3
    S4 --> E4

    E1 --> I1
    E2 --> I2
    E3 --> I3
    E4 --> I4

    I1 --> P1
    I2 --> P1
    I3 --> P2
    I4 --> P2
    I5 --> P1
    I6 --> P2

    P1 --> M1
    P2 --> M2

    M1 --> T1
    M2 --> T1
    M3 --> T1

    T1 --> A1
    A1 --> A2

    A2 --> Mon
    Mon --> Auth

各層の詳細仕様

Input Layer (観測層)

目的: 外部環境からのセンサーデータ収集と初期処理

ノード仕様: - 数: 4ノード - 機能: - 多モーダルセンサーデータ収集（視覚、聴覚、触覚等） - リアルタイムデータフィルタリング - 異常値検知と除去 - 通信: ブロードキャスト方式でのデータ配信

Processing Layer (処理層)

目的: データのエンコーディング、推論処理、および高度な空間認知・生成

ノード仕様: - Encoder Nodes: 4ノード - 機能: データエンコーディング、特徴抽出 - アルゴリズム: TAS-Encoding、Spike Encoding - Inference Nodes: 6ノード - 機能: 言語モデル推論、予測計算 - モデル: TransformerベースのLLM

Feature 13: 高度な空間処理ノード (Spatial Processing - Rank 12-15) ✅ 新規実装完了

EvoSpikeNetの分散脳システムに実装された高度な空間認知・生成システム（2026-02-17完成）。これらのノードは生物学的脳の視覚処理経路をシミュレートしています。

実装ファイル: spatial_processing.py (891 行)

ノード	Rank	脳領域	役割	出力	遅延	状態
SpatialWhereNode	12	頭頂葉背側	空間位置・距離・深度認識	空間座標、深度マップ	<50ms	✅ 実装
SpatialWhatNode	13	視覚皮質/側頭皮質	物体認識、シーン理解	クラス確率、属性	<30ms	✅ 実装
SpatialIntegrationNode	14	後頭頭頂接合部	What-Where統合	統合表現、世界状態	<50ms	✅ 実装
SpatialAttentionControlNode	15	前頭眼窩野	注意制御、Saccade計画	注意マップ、目標位置	<30ms	✅ 実装

主要コンポーネント: - ✅ CoordinateTransformer: 座標系変換 (Egocentric ↔ Allocentric) - ✅ DepthEstimationNetwork: 単眼深度推定 (CNN 3500+ 行) - ✅ SpatialCoordinateEncoder: 3D座標 → スパイク表現変換 - ✅ DistributedSpatialCortex: Rank 12-15 統合システム

テスト統計 (tests/integration/test_distributed_brain_simulation.py): - Spatial Integration テスト: 5+ ケース - E2E パイプラインテスト: 2+ ケース - パフォーマンスプロファイリング: 3+ ケース - 合格率: 100% (17+ 総テスト)

パフォーマンス実績: - Where パスレイテンシ: ~47ms (目標 <50ms) ✅ - What パスレイテンシ: ~28ms (目標 <30ms) ✅ - 統合パスレイテンシ: ~48ms (目標 <50ms) ✅ - Attention制御: ~25ms (目標 <30ms) ✅

詳細仕様: DISTRIBUTED_BRAIN_SPATIAL_NODES.md (v2.0)

通信: Zenoh PubSub (spikes/spatial/where/*, spikes/spatial/what/*, spikes/spatial/integration/*, spikes/spatial/attention/*)

Decision Layer (意思決定層)

目的: タスク制御と行動計画生成

ノード仕様: - 数: 2ノード（冗長構成） - 機能: - タスク優先度決定 - 行動計画生成 - リソース割り当て - アルゴリズム: 分散コンセンサスベースの意思決定 - 通信: コンセンサスプロトコル

Memory Layer (記憶層)

目的: ベクトル検索と長期記憶管理

ノード仕様: - 数: 3ノード - 機能: - ベクトルデータベース管理 - 類似性検索 - 長期記憶の保存と検索 - ストレージ: Milvusまたは類似ベクトルDB - 通信: クエリベースの検索要求

Learning Layer (学習層)

目的: モデルの継続的学習と更新

ノード仕様: - 数: 1ノード - 機能: - オンライン学習 - モデルパラメータ更新 - 勾配計算と最適化 - アルゴリズム: 連合学習、Meta-STDP - 通信: バッチ処理ベース

Aggregation Layer (集約層)

目的: 各ノードの結果集約と全体調整

ノード仕様: - 数: 2ノード（冗長構成） - 機能: - 推論結果の集約 - 連合学習の調整 - 全体システムの同期 - アルゴリズム: 分散集約アルゴリズム - 通信: 集約通信プロトコル

Management Layer (管理層)

目的: システム全体の監視と管理

ノード仕様: - Monitoring Node: 1ノード - 機能: パフォーマンス監視、異常検知 - Auth Node: 1ノード - 機能: 認証、認可、ログ管理 - 通信: 制御通信と監視データ収集

コンセンサスアルゴリズム仕様

クォーラム計算

意思決定層でのコンセンサスに必要な最小投票数 \(q\) は以下の式で計算されます：

\[ q = \lceil N \times t \rceil \]

ここで： - \(N\): 総ノード数 (24) - \(t\): コンセンサス閾値 (0.67) - \(\lceil \cdot \rceil\): 天井関数 (切り上げ)

実装例:

import math
required_votes = math.ceil(self.num_nodes * self.consensus_threshold)
# 24 * 0.67 = 16.08 → 17 (切り上げ)

コンセンサスプロセス

提案フェーズ: Plannerノードが行動提案を生成
投票フェーズ: 全ノードが提案に対して投票
集計フェーズ: Aggregatorノードが投票を集計
決定フェーズ: クォーラムを超えた提案を採用

リソース要件仕様

各ノードタイプのリソース配分

ノードタイプ	CPU (cores)	GPU (VRAM)	Memory (GB)	Storage (GB)	ネットワーク
Sensing	2-4	-	4-8	50	1GbE
Encoder	4-8	8GB	16-32	100	10GbE
Inference	8-16	24GB	64-128	200	10GbE
Planner	4-8	4GB	16-32	100	10GbE
Memory	4-8	-	32-64	1000+	10GbE
Trainer	16-32	48GB+	128-256	500+	40GbE
Aggregator	8-16	8GB	32-64	200	40GbE
Management	2-4	-	8-16	100	1GbE

総システム要件

24ノード構成の総リソース見積もり: - CPU: 約200-300 cores - GPU: 約100-150 GB VRAM - Memory: 約500-1000 GB - Storage: 約5-10 TB - Network: 40GbEバックボーン + 10GbEアクセス

通信仕様

プロトコル階層

アプリケーション層: タスク固有のメッセージ形式
セッション層: ZenohベースのPub/Sub通信
トランスポート層: TCP/UDP + TLS暗号化
ネットワーク層: IPv4/IPv6対応

通信パターン

ブロードキャスト: センサーデータ配信
パイプライン: 逐次処理データフロー
リクエスト/レスポンス: 推論クエリ
コンセンサス: 投票ベースの合意形成
クエリ: ベクトル検索要求
バッチ: 学習データ転送
集約: 結果収集通信
制御: 管理・監視通信

セキュリティ仕様

認証・認可

APIキー認証: サービス間通信
TLS 1.3: トランスポート層暗号化
RBAC (Role-Based Access Control): ノード権限管理
監査ログ: 全アクセス記録

脅威対策

入力検証: 悪意あるデータ除去
レート制限: DoS攻撃対策
暗号化: 機密データの保護
冗長性: 単一障害点の回避

スケーラビリティ考慮事項

拡張性

水平スケーリング: 同種ノードの追加可能
垂直スケーリング: リソース増強対応
動的再構成: 実行時ノード追加/削除

パフォーマンス指標

スループット: \(\text{Throughput} = \frac{\text{Total Operations}}{\text{Time}}\)
平均遅延: \(\text{Avg Latency} = \frac{1}{N} \sum_{i=1}^{N} \text{Latency}_i\)
最大遅延: \(\text{Max Latency} = \max(\text{Latency}_1, \dots, \text{Latency}_N)\)

運用ガイドライン

起動シーケンス

Management Layer (Auth, Monitoring) 起動
Aggregation Layer 起動
Memory Layer 起動
Learning Layer 起動
Decision Layer 起動
Processing Layer 起動
Input Layer 起動

監視ポイント

各層のCPU/メモリ使用率
ネットワーク遅延とスループット
コンセンサス到達時間
エラーレートとリトライ回数

本仕様は2025-12-21時点の設計に基づきます。実装変更に伴い更新が必要です。