全脳再現システム概念図 — EvoSpikeNet 完全ドキュメント

[!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: 2026-02-26
最終更新日: 2026-02-26
バージョン: v0.4.0 (Feature 13 完全統合 + Remaining 機能詳細化)
Author: Masahiro Aoki (Moonlight Technologies Inc.)
対象読者: 脳科学者・神経科学研究者・システムアーキテクト・AI研究者

このドキュメントは EvoSpikeNet を土台にした「全ての人の脳を再現するシステム」の概念・アーキテクチャ・データフロー・数学モデルを包括的に示す。実装済み機能（v0.3.x）に加え、Remaining_Functionality.md に記載された将来機能も統合。各節に神経科学的根拠と論文引用を明記する。

1. 全体概要と目的

人間の脳は約860億個のニューロンとそれをつなぐ約100兆本のシナプスからなる巨大並列計算機である。EvoSpikeNetは現時点で幾つかの領域・機能モジュールを分散ノードとして実装しており、将来的には全領域を網羅した "全脳再現" を目指す。

目標: 脳領域ごとの専門化を保ちつつ、生物学的妥当性をある程度維持したスパイキングニューラルネットワーク群とそれを統括する分散制御層を構築。
スコープ: センサ入力→認知→意思決定→運動出力＋長期記憶／進化／自己修復を含むサイクル。将来フェーズでは海馬・扁桃体・小脳なども追加予定。

引用: - Izhikevich, E. M. (2003). Simple model of spiking neurons. IEEE Transactions on Neural Networks. - Maass, W. (1997). Networks of spiking neurons: the third generation of neural network models. Neural Networks. - Buzsáki, G. (2005). Theta rhythm of navigation: link between path integration and landmark navigation, episodic and semantic memory. Hippocampus.

2. 概念図 / アーキテクチャ

以下のMermaid図は「全脳再現システム」の論理構成を示す。実装済みモジュールは太字、 将来追加予定（Remaining_Functionality 参照）は斜体で表記した。

graph LR
    subgraph "Sensory Layer"
        CAM[Camera] -->|視覚信号| VIS("Visual Module")
        MIC[Microphone] -->|聴覚信号| AUD("Auditory Module")
        PROPRIO[Proprioception (planned)]
        OLFACT["Olfactory Module (planned)"]
    end

    subgraph "Encoding Layer"
        VIS --> TAS(TAS-Encoding)
        AUD --> TAS
        OLFACT --> TAS
    end

    subgraph "Cognitive Layer"
        TAS --> SLM["Spiking LM\n(language/multi-modal)"]
        SLM --> RAG["Hybrid RAG"]
        RAG --> PFC["Q-PFC control"]
        PFC --> MTR["Motor Planner"]
        PFC --> AMY["Amygdala (emotion) (planned)"]
    end

    subgraph "Memory/State"
        EPI["Episodic Memory"]
        SEM["Semantic Memory"]
        MINT["Memory Integrator"]
        HIPP["Hippocampus (planned)"]
    end

    subgraph "Evolution & Recovery"
        EVO["EvoGenome Manager (planned)"]
        REC["Auto Recovery Engine (planned)"]
    end

    subgraph "Infrastructure"
        ZEN[Zenoh Pub/Sub]
        PTP[PTP Sync]
        GEO[GeoNodeManager]
        AUDT[Audit/Integrity Logging]
    end

    TAS --> SLM
    SLM --> RAG
    RAG --> PFC
    PFC --> MTR
    PFC <--> EPI
    PFC <--> SEM
    EPI <--> MINT
    SEM <--> MINT
    MINT --> RAG
    ZEN <-- PFC
    ZEN <-- VIS
    ZEN <-- AUD
    ZEN <-- OLFACT
    ZEN <-- AMY
    ZEN --- PTP
    ZEN --> GEO
    ZEN --> AUDT
    GEO --> "Global Routing"

2.1 全体データフロー

入力: センサデータはTAS符号化 ([Izhikevich03])により時間スパイク列へ。
認知: スパイキング LM がクロスモーダル注意 (ChronoSpikeAttention; [論文未発表]) を使用して統合。式は後述。
検索: Hybrid RAG がメモリからコンテキストを取得。
制御: PFC が Q-PFC 自己ゲートを計算。
出力: Motor Node が運動指令を生成。
記憶: 経験をエピソーディック/セマンティックに保存。
学習: STDP/Meta-STDP でシナプス更新
進化: EvoGenome による構造適応 (Remaining Feature)。
自己修復: AutoRecovery が障害時にパラメータをリセットしノードを再配置。

3. 数理モデルと数式

3.1 ニューロンモデル

a) LIF $$\tau_m \frac{dV}{dt} = -(V-V_{rest}) + RI(t), \quad V\ge V_{th} \Rightarrow spike.$$ (Izhikevich03)

b) Izhikevich $$\begin{aligned} \frac{dv}{dt}&=0.04v^2+5v+140-u+I,\\ \frac{du}{dt}&=a(bv-u),\\ if\,v\ge30&:\;v\leftarrow c,\;u\leftarrow u+d. \end{aligned}$$

c) ChronoSpikeAttention (特許MT25-EV001): $$Attention(Q,K,V)=\mathrm{softmax}\left(\frac{QK^T}{\sqrt{d_k}}+\alpha e^{-\frac{(t_i-t_j)^2}{\sigma^2}}\right)V.$$

3.2 スパイク符号化

TAS-Encoding ([本プロジェクト独自]): $$\mathrm{TAS}(x_t)=\sum_{k=1}^N \delta(t-t_0-\Delta k)[x_t=k].$$

3.3 進化DNA表現

EvoGenomeは遺伝子列 $G$ を $$G=\{w_{ij},\theta_k, \tau_l\}$$ として符号化し、世代ごとに適応度 $F(G)$ を評価して変異・交叉を行う。 (詳細: evospikenet/evolution.py)

3.4 分散通信モデル

Zenoh Pub/Sub はノード $i,j$ 間のレイテンシ $L_{ij}$ を測定し、 $L_{ij}<50\mathrm{ms}$ を目標とする。GeoNodeManagerはリージョン $r$ 間の遅延行列 $D_{rs}$ を用い最適ルーティングを解く。

4. 論文・資料引用

Izhikevich, E. M. (2003). Simple model of spiking neurons. IEEE Trans. NN.
Maass, W. (1997). Networks of spiking neurons .... Neural Networks.
Buzsáki, G. (2005). Theta rhythm of navigation ... Hippocampus.
Pfeifer, R., Iida, F. (2004). Embodied Artificial Intelligence. Trends in Cog Sci.
O’Reilly, R. C., Munakata, Y. (2000). Computational Explorations in Cognitive Neuroscience.
厚木原論文 (EvoSpikeNet 特許出願資料) など内部文書。

5. Remaining_Functionality から含める将来機能

空間認知・生成システム (Feature 13): 空間Where/What/Integration/Attention ノード。
地理的分散管理 (Feature 40): マルチDC展開とレイテンシマトリクス。
自動リカバリ (Feature 36): AI ベース異常検出と復旧プレイブック。
監査ログ / 改ざん検出: SHA-256 ハッシュチェーンによる行動記録。
進化ゲノム UI/API/SDK: ユーザが DN Y構造を直接操作し適応実験を実行。
高精度空間生成: 空間モジュールの改良と 4つの専有ノード (Rank12-15) による 3D 空間マッピング。

これらを統合すると、本ドキュメントの概念図は「人間の全脳シミュレーションを汎用クラスタ上で実行し、地理的冗長性・自己修復・進化適応を備えたソフトウェアプラットフォーム」である。

6. 今後の展望

全領域カバー: 小脳・扁桃体・嗅覚野などの追加実装。
生体電位インタフェース: EEG/BMI によるリアルタイム閉ループ制御。
フェデレーテッド学習: 複数施設・国を跨力した分散学習。
ハードウェア実装: FPGA/ASIC による高速スパイク演算。

このドキュメントは研究・設計向けの概念資料であり、実装コードは

evospikenet/ 以下を参照のこと。