EvoSpikeNet — Neuroscience Brain Simulation Brief

[!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。

概要: 本ブリーフは docs/BIOMIMETIC_IMPLIMENTATION_PLAN.md に記載された生物模倣機能、用語、皮質対応を漏れなく抜粋し、図（ブロック図・データダイアグラム・情報伝達経路）とともに簡潔にまとめたものである。設計レビュー・要約配布用に利用する。

1. キー用語と機能一覧（抜粋）

Intention / Goal Representation (IntentionModule) — PFC/ACC
Neuromodulator Gate / PlasticityGate (modulatory.py, neuromodulators.py) — DA/ACh/Oxytocin
Reward Circuit / TD (VTA / NAcc) (reward_circuit.py)
Hippocampal Episodic Buffer & Replay (hippocampal_memory.py, sleep_consolidation.py)
Working Memory (GRU wrapper) (working_memory.py)
RhythmSync / Band Power / PLV (rhythm_sync.py)
Cortical Topology / Column & Layers (cortical_topology.py)
Tsodyks‑Markram STP, PV/SST/VIP 抑制 (synapses.py)
MirrorNeuronSystem (mirror_neurons.py)
Creativity Engine / NoveltyEvaluator (creativity_engine.py)
Default Mode Network (DMN) (dmn.py)
DevelopmentalDynamics / CurriculumScheduler (developmental_dynamics.py)
Energy Homeostasis (energy_homeostasis.py)

（完全一覧は docs/BIOMIMETIC_IMPLIMENTATION_PLAN.md / evospikenet/BIOMIMETIC_FEATURE_STATUS.md を参照）

2. 高レベルブロック図

flowchart LR
  Sensory["Sensory / TAS Encoding\n(V1/A1) "] --> Percept["Perceptual Modules\n(Visual/Auditory/Spatial)"]
  Percept --> PFC["PFC / IntentionModule\n(goal vectors, routing)"]
  PFC --> Motor["Motor Planner & Efference\n(M1) "]
  Percept --> Memory["Hippocampus / Episodic Buffer"]
  Reward["Reward (VTA/NAcc)\nTD / Dopamine"] --> PFC
  Emotion["Amygdala / Insula\n(valence/arousal)"] --> PFC
  Sleep["Sleep Consolidation\n(prioritized replay)"] --> Memory
  Neuromod["Neuromodulators\n(DA/ACh/Oxytocin)"] --- PFC
  Middleware["Zenoh Pub/Sub + PTP Sync"] --- Percept

3. データダイアグラム（イベントとメタデータ）

graph TD
  S[SENSOR_EVENTS{spike_events\nptp_ts}] --> E[TAS_ENCODE{spike_packets}]
  E --> Z[ZENOH{protobuf+ptp}]
  Z --> V[VISUAL_MODULE{feature_vectors}]
  Z --> A[AUDITORY_MODULE{feature_vectors}]
  V --> P[PFC{route_probs,intentions}]
  P --> H[HIPPOCAMPAL_BUFFER{episodes}]
  H -->|replay| SLEEP[SLEEP_CONSOLIDATION{replay_batches}]
  REW[REWARD{td_error}] --> P
  NEU[NEUROMOD{DA/ACh/OT}] --- P

データ型: - spike_events: タイムスタンプ付きスパイク列（PTP epoch） - spike_packets: Zenoh 経由で配信される Protobuf ペイロード - feature_vectors: モジュール内要約（numpy/torch） - episodes: {timestamp, context, reward, embedding}

4. 情報伝達経路（簡潔）

感覚→符号化（TAS）→認知モジュール（5–15ms）→PFC（約30ms）→運動（25ms）。
PFC は扁桃体と VTA からの信号を受け、PlasticityGate を通じて学習率を変調する。
睡眠フェーズで SleepConsolidation が HippocampalBuffer の優先度付きリプレイを実行し、海馬→皮質転送を行う。

5. 皮質領域対応（機能→領域→主要実装）

視覚 (V1–V5, IT): evospikenet/biomimetic/* の視覚モジュール
聴覚 (A1): evospikenet/biomimetic/sensory_preprocessing.py
PFC / ACC: evospikenet/biomimetic/intention_module.py, evospikenet/biomimetic/modulatory.py
海馬: evospikenet/biomimetic/hippocampal_memory.py, evospikenet/biomimetic/sleep_consolidation.py
基底核 / NAcc: evospikenet/biomimetic/reward_circuit.py
扁桃体: evospikenet/biomimetic/emotion_system.py
小脳: evospikenet/cerebellum.py（存在する場合）
DMN / 側頭連合野: evospikenet/biomimetic/dmn.py, creativity_engine.py

6. 用語と参照（設計レビュー用）

ChronoSpikeAttention — 時刻依存注意（時間距離減衰付きスコアリング）
PlasticityGate — 可塑性ゲート（NeuromodulatorGate.gated_learning_rate()）
STDP / Meta‑STDP — オンラインシナプス可塑性・メタ学習項
SWR (Sharp‑wave ripple) — 海馬リプレイ高頻度バースト（100–200 Hz）
PLV — Phase Locking Value（位相同期度）

7. 次の推奨アクション（2026-03-11 更新）

Phase A/B 完了: 以下の 1〜3 を含む全 11 項目が 2026-03-06 に実装完了しました。
Phase D 完了: 分散ノード統合の残存ギャップ 4 項目が 2026-03-11 に解決されました。
詳細評価: docs-dev/biomimetic_integration_evaluation.md v2.0 (8.7/10)

完了済み（Phase A/B）

優先度	項目	実装ファイル
A-1 ✅	`biomimetic/__init__.py` 37 シンボル公開 API	`evospikenet/biomimetic/__init__.py`
A-2 ✅	`BrainSimulationFramework` ガドレイヤー	`evospikenet/brain_simulation.py`
A-3 ✅	`STDP ↔ NeuromodulatorGate` 配線	`evospikenet/plasticity/stdp.py`
A-4 ✅	`SleepConsolidation.offline_consolidation()` STDP リプレイ + `stats`	`evospikenet/biomimetic/sleep_consolidation.py`
B-1 ✅	`NeuromodulatorGate ↔ NeuromodulatorRegistry` ブリッジ	`modulatory.py`, `neuromodulators.py`
B-2 ✅	`IzhikevichNeuron` バックエンド (`NeuralCircuitModeler`)	`evospikenet/biomimetic/neural_circuits.py`
B-3 ✅	`CorticalTopologyGenerator → BrainRegionIntegrator.add_cortical_topology()`	`cortical_topology.py`, `brain_simulation.py`
B-4 ✅	gammatone 匿名関数修正	`evospikenet/biomimetic/sensory_preprocessing.py`
B-5 ✅	`EfferenceCopy.adaptive_gain_update()` + `reset()`	`evospikenet/biomimetic/sensory_motor.py`
B-6 ✅	`MirrorNeuronSystem._default_classify()` + 後方互換	`evospikenet/biomimetic/mirror_neurons.py`
B-7 ✅	`BrainSimulationFramework.run_idle_phase()` DMN アイドル	`evospikenet/brain_simulation.py`

完了済み（Phase D — 2026-03-11）

優先度	項目	実装ファイル
D-1 ✅	`BrainSimulation(BrainSimulationFramework)` エイリアス (`DistributedBrainNode` ImportError 解消)	`evospikenet/brain_simulation.py`
D-2 ✅	`InstantiatedBrain.apply_weight_delta()` — STDP デルタ → `nn.Linear` 重み適用	`evospikenet/genome_to_brain.py`
D-3 ✅	`DistributedBrainNode.deploy_genome()` + genome-driven forward pass	`evospikenet/distributed_brain_node.py`
D-4 ✅	`DistributedEvolutionEngine.deploy_to_nodes()`	`evospikenet/distributed_evolution_engine.py`

残存タスク（Phase C）

HippocampalBuffer.transfer_to_semantic() — 海馬→意味記憶転送パス実装
SleepWakeCycleController — 覚醒/睡眠タイムライン制御クラス
NeuromodulatorGate → neuromod REST / Zenoh エンドポイント公開
CorticalTopologyGenerator ↔ HierarchicalRankDistributedBrainArchitecture 接続

従来の推奨事項（依然として有効）

docs/BIOMIMETIC_IMPLIMENTATION_PLAN.md の各機能行に Implementation Status と Proof（ファイル/テスト）を自動埋め。
tests/integration/test_intention_api_smoke.py 作成（意図 API の統合スモーク）。
図を SVG で出力し docs/assets/ に保存。

作成済み: このブリーフは docs/BIOMIMETIC_IMPLIMENTATION_PLAN.md の記述を漏れなく参照してまとめました。追加の詳細（特定の行番号リンク、より詳しい用語解説、図の高解像度化）が必要なら指示してください。

EvoSpikeNet 脳シミュレーション概要

作成日: 2026-01-12
最終更新日: 2026-03-11 🎯 Phase D 分散ノード統合完了（BrainSimulation エイリアス・deploy_genome()・apply_weight_delta()・deploy_to_nodes() 実装完了）
バージョン: 0.5.0 (Phase D Distributed Node Integration) Auth: Masahiro Aoki (Moonlight Technologies Inc.) 　

1. スコープと対象

脳科学・神経科学の専門家向けに、EvoSpikeNetの現行機能を平易な言葉で整理。
スパイク動力学、認知制御、記憶、分散通信など、生物学に寄り添った要素を中心に解説。
詳細な仕様は docs/DISTRIBUTED_BRAIN_SYSTEM.md と docs/implementation/PFC_ZENOH_EXECUTIVE.md で補完。

2. システム全体像

機能ごとに役割を分けつつ、必要なときに素早くつなぎ直すレイヤ構成。

システムアーキテクチャの概要: - Control Layer: PFC / Q-PFC が制御と自己変調を担当 - Cognitive Layer: Visual, Auditory, Language, Motor Modules, Hybrid RAG, Spiking LM が認知処理 - 追加: 生物模倣モジュール群（情動/報酬/睡眠リズム、ミラーニューロン、意図・動機付け、皮質トポロジ、創造性/DMN/内省、動的目標選択、発達スケジュール/カリキュラム、感覚‑運動前処理など） - Memory Layer: Episodic Memory, Semantic Memory, Memory Integrator が記憶管理 - Communication Layer: Zenoh Pub/Sub と PTP Synchronization が分散通信

接続関係: - 各モジュール → Spiking LM → Hybrid RAG → PFC → Motor - VIS → SPATIAL → PFC (空間処理統合) - PFC ↔ Episodic/Semantic Memory - Memory Integrator ↔ RAG - 全コンポーネント → Zenoh (通信), Zenoh ↔ PTP (同期)

特徴: Zenoh の非同期 Pub/Sub、PTP による時刻合わせ、ノード自動検出と再接続、ブラウザから見えるリアルタイム監視。

graph TB
    subgraph "Control Layer"
        PFC["PFC / Q-PFC<br/>Control and Self-Modulation"]
    end
    subgraph "Cognitive Layer"
        VIS["Visual Module"]
        AUD["Auditory Module"]
        LANG["Language Module"]
        SPATIAL["Spatial Module"]
        MOTOR["Motor Module"]
        RAG["Hybrid RAG"]
        SLMS["Spiking LM"]
        BM["Biomimetic Modules"]:::biomim
    end
    subgraph "Memory Layer"
        EPI["Episodic Memory"]
        SEM["Semantic Memory"]
        MINT["Memory Integrator"]
    end
    subgraph "Communication Layer"
        ZENOH["Zenoh Pub/Sub"]
        PTP["PTP Synchronization"]
    end

    VIS --> SLMS
    AUD --> SLMS
    LANG --> SLMS
    VIS --> SPATIAL
    SPATIAL --> PFC
    BM --> PFC
    SLMS --> RAG
    RAG --> PFC
    PFC --> MOTOR
    PFC <--> EPI
    PFC <--> SEM
    EPI <--> MINT
    SEM <--> MINT
    MINT --> RAG

    PFC -.-> ZENOH
    VIS -.-> ZENOH
    AUD -.-> ZENOH
    LANG -.-> ZENOH
    SPATIAL -.-> ZENOH
    MOTOR -.-> ZENOH
    EPI -.-> ZENOH
    SEM -.-> ZENOH
    MINT -.-> ZENOH
    ZENOH --- PTP

2.1 システム全体の動作フロー

EvoSpikeNetの動作を、典型的なマルチモーダルタスク（例: 「画像を見て説明し、行動を決定」）で説明します。

ステップ1: センシングとエンコード - カメラ/マイクから生データ取得 - TAS-Encodingでスパイク列に変換（例: 画像のエッジ → スパイクタイミング） - 各モジュール（視覚、聴覚）が並列処理

ステップ2: 認知処理 - スパイキングLMがモダリティを統合（視覚特徴 + 言語文脈） - ChronoSpikeAttentionで時間的依存を考慮（例: 動きの連続性） - 生物模倣モジュールが感情/報酬信号やリズム同期を提供し、学習ゲインや目標配列に影響 - RAGが記憶から関連情報を検索・補完

ステップ3: 意思決定（PFC） - PFCが統合情報を集約し、route_probsを計算（各モジュールへの配分確率） - 情動・動機付け・睡眠状態が扁桃体・側坐核/VTA経由で学習・選択ゲートにバイアスをかける - 認知エントロピーを計測（不確実性の度合い） - Q-PFCが量子変調で自己調整（確信度に応じてゲーティング変更） - 決定結果をZenoh経由で全ノードに配信

ステップ4: 記憶連携 - PFCがエピソディック記憶（過去の類似体験）を検索 - セマンティック記憶（一般知識）を参照 - MemoryIntegratorが両者を統合し、RAGにフィードバック

ステップ5: 行動実行 - プランナーがタスクを分解（例: 「物体を掴む」→ 運動指令） - コントローラーがモーター指令を発行 - 安全監視がリアルタイムチェック

ステップ6: 学習・適応 - STDP/Meta-STDPでシナプス更新 - DNA進化で構造最適化（必要時） - 経験をエピソディック記憶に保存

全体の特徴: - 並列分散: 各ノードが独立動作、Zenohで連携 - 自己最適化: Q-PFCが認知負荷に応じて動的調整 - 継続学習: Meta-STDPで環境変化に適応 - リアルタイム: 典型レイテンシ 50-200ms

2.2 特許との対応（識別番号）

MT25-EV001: ChronoSpikeAttention（時系列因果・指数減衰アテンション）
MT25-EV003: 量子変調型PFCフィードバックループ（認知エントロピー→量子変調→自己ゲート）
MT25-EV005: 階層ランク型分散脳アーキテクチャ（Rank固定＋認知複雑度ルーティング）
MT25-EV009: EvoGenome ランタイム構造適応エンジン（DNA表現と世代進化）
MT25-EV010: Brain Language マルチモーダル高次表現システム（脳内言語統合）
MT25-EV016: Meta-STDP 実機継続学習最適化システム（メタ学習でSTDPを適応）

2.1 脳内言語処理の認識と高速化

Brain Language レイヤ: 視覚・聴覚・触覚の信号を、その場で「脳内言語」表現に変換し、PFC が意思決定の文脈として使う。
高速化の要: ChronoSpikeAttention が時間情報を壊さずに注意を計算し、Q-PFC が不確実性に応じてゲートの温度を上げ下げする。曖昧な入力では慎重に、はっきりした入力では素早く絞り込む。
見える化: route_probs・entropy・modulation_factor をリアルタイムに表示し、確信度の移り変わりを直感的に追える。

3. 神経計算コア

3.1 スパイクニューロンモデル

EvoSpikeNetでは、生物学的な神経細胞の振る舞いを再現する3つの主要なニューロンモデルを採用しています。

3.1.1 LIF (Leaky Integrate-and-Fire) モデル

最も基本的で計算効率に優れたモデル。膜電位の漏れ（leak）と積分（integrate）を表現します。

\[\tau_m \frac{dV(t)}{dt} = -(V(t) - V_{rest}) + R I(t), \quad V(t) \ge V_{th} \Rightarrow \text{spike},\; V \leftarrow V_{reset}\]

$\tau_m$: 膜時定数（典型値: 10-20ms）。入力への応答速度を決定。
$V_{rest}$: 静止膜電位（典型値: -70mV）。
$V_{th}$: 発火閾値（典型値: -55mV）。この値を超えるとスパイクが発生。
$V_{reset}$: リセット電位（典型値: -75mV）。スパイク後に膜電位がリセットされる値。
$R$: 膜抵抗。入力電流から電位変化への変換係数。
$I(t)$: 入力電流。シナプス入力とノイズの総和。

用途: 視覚・聴覚エンコーダ、スパイキングTransformerの基礎層で使用。計算コストが低く、リアルタイム処理に適しています。

3.1.2 Izhikevich モデル

生物学的妥当性と計算効率のバランスが取れたモデル。多様な発火パターンを再現できます。

\[\begin{aligned} \frac{dv}{dt} &= 0.04v^2 + 5v + 140 - u + I,\\ \frac{du}{dt} &= a(bv - u),\\ v \ge 30\,\text{mV} &\Rightarrow \begin{cases} v \leftarrow c,\\ u \leftarrow u + d. \end{cases} \end{aligned}\]

$v$: 膜電位（スパイク生成変数）
$u$: 回復変数（スパイク後の再分極とホメオスタシス）
$a$: 回復時定数（典型値: 0.02）。小さいほど回復が遅い。
$b$: 膜電位と回復変数の結合強度（典型値: 0.2）
$c$: リセット電位（典型値: -65mV）
$d$: 回復変数の跳ね上がり量（典型値: 2-8）

再現できる発火パターン: 規則発火（RS）、早期順応（FS）、バースト発火（IB）、低閾値スパイク（LTS）など20種類以上。

用途: PFC・記憶統合ノードなど、複雑な時間パターンが重要な領域で使用。

3.1.3 EntangledSynchronyLayer（量子インスパイア型）

複数ニューロン間の位相カップリングを実現し、分散ノード間の同期発火を安定化します。

数理的基盤: $$\phi_i(t+1) = \phi_i(t) + \omega_i + K \sum_{j \in N(i)} \sin(\phi_j(t) - \phi_i(t))$$

$\phi_i$: ニューロン$i$の位相
$\omega_i$: 固有振動数
$K$: カップリング強度（典型値: 0.1-0.5）
$N(i)$: ニューロン$i$の近傍集合

効果: - 分散ノード間での自発的な同期形成 - ノイズ耐性の向上（同期により信号対雑音比が改善） - タスクに応じた柔軟な同期グループ形成

用途: PFCと下位モジュール間の協調、長期記憶の統合処理、マルチモーダル情報の時間的バインディング。

3.2 スパイク符号化とアテンション

3.2.1 スパイク符号化方式

アナログ信号をスパイク列に変換する複数の方式を実装しています。

TAS-Encoding (Temporal Analog Spike Encoding): 入力強度を発火タイミングと発火頻度の両方で表現する高効率な符号化。

\[t_{spike} = t_0 + \tau \cdot \log\left(\frac{I_{th}}{I(t) - I_{th}}\right), \quad \text{if } I(t) > I_{th}\]

強い入力 → 早いスパイク＋高頻度
弱い入力 → 遅いスパイク＋低頻度
典型的な時間窓: 10-50ms

利点: - 時間精度とレート符号化の利点を併用 - バックプロパゲーションでの勾配安定性が高い - 生物学的妥当性（大脳皮質V1野の応答パターンに近い）

Latency Encoding: 入力強度をスパイク発火のタイミングのみで表現。最も単純かつ省電力。

\[t_{latency} = T_{max} - k \cdot I(t), \quad k = \frac{T_{max}}{I_{max}}\]

強い入力 → 早いスパイク
弱い入力 → 遅いスパイク
典型的な時間窓: 5-20ms

用途: edge devices、超低消費電力モード。

3.2.2 ChronoSpikeAttention メカニズム

時間的因果律を保証しながら、過去の情報に対して指数減衰する重みを適用するアテンション機構（特許 MT25-EV001）。

数式表現: $$\begin{aligned} M(t,t') &= \exp\left(-\frac{\max(0, t-t')}{\tau}\right)\\ S'(t,t') &= S(t,t') \cdot M(t,t')\\ P(t,t') &= \sigma(S'(t,t'))\\ O(t) &= \sum_{t' \le t} P(t,t') \cdot V(t') \end{aligned}$$

特徴: - 因果律保証: $t' > t$ の未来情報は完全遮断（$M(t,t')=0$） - 指数減衰: 時間距離に応じて重みが減衰（$\tau$: 典型値10-50ステップ） - Softmax不要: シグモイド関数で計算量を約28%削減 - スパイクとの親和性: ハードシグモイドによるバイナリ近似で更に高速化

生物学的対応: 海馬のシータ波位相符号化、前頭前野のワーキングメモリ減衰に対応。

3.3 可塑性とシナプス学習

3.3.1 STDP (Spike-Timing-Dependent Plasticity)

生物学的に妥当なヘブ学習則。スパイクの時間順序で重みを調整します。

\[\Delta w = \begin{cases} A_+ e^{-\Delta t/\tau_+} & (\Delta t > 0, \text{プレ→ポスト})\\ -A_- e^{\Delta t/\tau_-} & (\Delta t < 0, \text{ポスト→プレ}) \end{cases}\]

パラメータ: - $A_+$: LTP（長期増強）の最大振幅（典型値: 0.005-0.01） - $A_-$: LTD（長期抑制）の最大振幅（典型値: 0.00525-0.0105、$A_+ \times 1.05$） - $\tau_+$: LTPの時定数（典型値: 20ms） - $\tau_-$: LTDの時定数（典型値: 20ms） - $\Delta t = t_{post} - t_{pre}$: ポストシナプスとプレシナプスのスパイク時間差

学習窓の特性: - $\Delta t = 0$〜+20ms: 最大LTP（因果関係の強化） - $\Delta t = -20$〜0ms: 最大LTD（非因果関係の抑制） - $|\Delta t| > 50$ms: ほぼ影響なし

生物学的対応: 海馬CA3-CA1シナプス、大脳皮質層2/3の興奮性シナプスの実測データに一致。

3.3.2 Meta-STDP（特許 MT25-EV016）

メタ学習によりSTDPパラメータを環境に応じて適応的に調整します。

メタ目的関数: $$\mathcal{L}_{meta} = \mathcal{L}_{task}(\theta) + \lambda_E \cdot E(\theta) + \lambda_S \cdot \text{Var}(r)$$

$\mathcal{L}_{task}$: タスク性能（精度、F1スコアなど）
$E(\theta)$: エネルギー消費（スパイク数 × シナプス更新回数）
$\text{Var}(r)$: 発火率の分散（安定性指標）
$\theta = \{A_+, A_-, \tau_+, \tau_-\}$: 最適化対象のSTDPパラメータ

内部ループ（タスク適応）: $$\theta' = \theta - \alpha \nabla_\theta \mathcal{L}_{task}(\theta)$$

外部ループ（メタ更新）: $$\theta \leftarrow \theta - \beta \nabla_\theta \sum_{i=1}^N \mathcal{L}_{task}(\theta'_i)$$

効果: - 新規タスクへの適応時間を75%短縮 - エネルギー消費を40%削減 - 長期安定性を60%向上

3.3.3 メタ可塑性とホメオスタシス

シナプス重みと発火率を長期的に安定化させるメカニズム。

重みクランプ: $$w(t+1) = \text{clip}(w(t) + \Delta w, w_{min}, w_{max})$$

典型値: $w_{min}=0.001$, $w_{max}=1.0$

発火率ホメオスタシス: $$\theta_{adaptive}(t) = \theta_{base} + k \cdot (r_{target} - \langle r \rangle_t)$$

$\theta_{adaptive}$: 適応的発火閾値
$\theta_{base}$: ベース閾値
$r_{target}$: 目標発火率（典型値: 5-15Hz）
$\langle r \rangle_t$: 時間窓内の平均発火率
$k$: 適応ゲイン（典型値: 0.1-0.5）

効果: 24時間以上の連続実行でも発火率の暴走・沈黙を防止。分散環境での長期安定性を保証。

3.4 学習最適化と階層的集約

3.4.1 階層的情報集約の原理

生物の視覚野（V1→V2→V4→IT）のような階層的特徴抽出を模倣しています。

各層の役割:

特許 MT25-EV009 に基づく、ネットワーク構造とパラメータの遺伝的表現・進化システム。

3.5.1 DNA構造の定義

ネットワークの全パラメータを遺伝子型として表現します。

DNA表現の例:

genome_id: "gen_042_individual_07"
generation: 42
fitness: 0.847

structure:
  neuron_model: "izhikevich"  # または "lif", "entangled_synchrony"
  layer_sizes: [512, 256, 128, 64]
  connections:
    - {from: 0, to: 1, type: "full", sparsity: 0.3}
    - {from: 1, to: 2, type: "conv", kernel: 3}

parameters:
  neuron:
    izhikevich:
      a: 0.02  # 回復時定数
      b: 0.2   # 結合強度
      c: -65   # リセット電位
      d: 8     # 跳ね上がり

  encoder:
    type: "tas"
    tau: 15.0  # 時定数
    threshold: 0.5

  plasticity:
    stdp:
      A_plus: 0.008
      A_minus: 0.0084
      tau_plus: 20.0
      tau_minus: 20.0
    meta_learning_rate: 0.001

  routing:
    temperature: 1.5  # ChronoSpikeAttention温度
    entropy_weight: 0.3
    decay_tau: 25.0

3.5.2 進化的最適化プロセス

評価関数 (Fitness): $$F = w_1 \cdot \text{Accuracy} - w_2 \cdot \text{Latency} + w_3 \cdot \text{SpikeEfficiency} + w_4 \cdot \text{EntropyStability}$$

典型的な重み: $w_1=0.4, w_2=0.2, w_3=0.2, w_4=0.2$

各指標の計算: - Accuracy: タスク精度（0-1） - Latency: 平均応答時間の逆数（正規化） - SpikeEfficiency: 有効スパイク率 = 情報伝達スパイク数 / 総スパイク数 - EntropyStability: $1 - \text{Var}(H_t) / \langle H_t \rangle^2$

遺伝的操作:

選択 (Selection): トーナメント選択
集団から$k$個（典型値: 5）をランダム抽出
最高fitness個体を選択
エリート保存: 上位2%を次世代に無条件継承
交叉 (Crossover): 2点交叉
2つの親DNAから2つの子DNAを生成
交叉率: 0.7-0.9
構造部分とパラメータ部分を独立に交叉可能
突然変異 (Mutation): ガウス変異
各パラメータに確率$p_{mut}$（典型値: 0.05-0.15）で変異
$\theta' = \theta + \mathcal{N}(0, \sigma^2)$
$\sigma$: パラメータ範囲の5-10%

世代更新アルゴリズム:

初期集団生成（N=50-200個体）
For gen = 1 to MAX_GEN: a. 全個体の評価（並列実行）

特許 MT25-EV003 に基づく、PFCの自己言及的認知制御メカニズム。

4.1 認知エントロピーの計測

PFCは下位モジュールへのルーティング確率から、自身の「迷い」を定量化します。

認知エントロピーの定義: $$H_t = -\sum_{i=1}^{N_{modules}} p_i(t) \log_2 p_i(t)$$

$p_i(t)$: 時刻$t$でモジュール$i$へルーティングする確率
$N_{modules}$: 利用可能なモジュール数（典型値: 4-12）

エントロピーの解釈: - $H_t \approx 0$: 確信状態（1つのモジュールに高確率集中） - 例: $[0.95, 0.02, 0.02, 0.01] \Rightarrow H \approx 0.26$ bit - $H_t \approx \log_2 N$: 最大不確実性（全モジュールに均等分散） - 例: $[0.25, 0.25, 0.25, 0.25] \Rightarrow H = 2.0$ bit（最大） - $0 < H_t < \log_2 N$: 中間状態

正規化エントロピー: $$\tilde{H}_t = \frac{H_t}{\log_2 N_{modules}} \in [0, 1]$$

4.2 量子変調シミュレータ

認知エントロピーを量子回路にマッピングし、変調係数を生成。

量子回路構成: 1. 初期状態: $|0\rangle$（基底状態） 2. 回転ゲート: $R_y(\theta) = \exp(-i\theta Y/2)$ $$\theta = \pi \cdot \tilde{H}_t$$ 3. 測定: Z基底で測定 → 状態 $|0\rangle$ または $|1\rangle$

測定確率: $$P(|0\rangle) = \cos^2\left(\frac{\theta}{2}\right) = \cos^2\left(\frac{\pi \tilde{H}_t}{2}\right)$$

変調係数の生成: $$\alpha_t = \begin{cases} P(|0\rangle) & \text{決定論的モード}\\ \text{Bernoulli}(P(|0\rangle)) & \text{確率的モード} \end{cases}$$

$\alpha_t$ の意味: - $\alpha_t \approx 1$: 確信状態 → 活用モード（現在の戦略を強化） - $\alpha_t \approx 0$: 不確実状態 → 探索モード（新しい戦略を試行） - $0.3 < \alpha_t < 0.7$: バランス状態

4.3 自己言及フィードバック

変調係数 $\alpha_t$ を用いて、PFC自身のパラメータを動的調整。

ルーティング温度の調整: $$T_{routing}(t) = T_{base} \cdot (1 + \gamma \cdot (1 - \alpha_t))$$

$T_{base}$: ベース温度（典型値: 1.0-2.0）
$\gamma$: 調整ゲイン（典型値: 0.5-1.5）
効果: $\alpha_t$が低い → 温度上昇 → ソフトマックスが平坦化 → 探索的

シナプス可塑性の変調: $$\eta_{effective}(t) = \eta_{base} \cdot \left(1 + \lambda \cdot (1 - \alpha_t)^2\right)$$

$\eta_{base}$: ベース学習率（典型値: 0.001）
$\lambda$: 可塑性増幅係数（典型値: 2.0-5.0）
効果: 不確実時に学習を加速

ワーキングメモリの減衰率調整: $$\tau_{decay}(t) = \tau_{min} + (\tau_{max} - \tau_{min}) \cdot \alpha_t$$

$\tau_{min}$: 最小保持時間（典型値: 10ステップ）
$\tau_{max}$: 最大保持時間（典型値: 50ステップ）
効果: 確信時はメモリを長期保持、不確実時は早く忘却

4.4 Zenoh経由の配信

PFCの決定を全ノードへ非同期配信。

配信トピック: pfc/{node_id}/decisions

ペイロード構造:

{
  "node_id": "pfc-0",
  "timestamp": 1737270000.123456,
  "route_probs": [0.45, 0.30, 0.15, 0.10],
  "entropy": 1.52,
  "normalized_entropy": 0.76,
  "alpha_t": 0.38,
  "routing_temp": 2.15,
  "modulation_factor": 1.84,
  "working_memory_decay": 25.6,
  "task_context": "multimodal_inference"
}

下位ノードの反応: 1. route_probsから自分への割り当てを確認 2. alpha_tから探索/活用モードを判定 3. routing_tempに応じて内部閾値を調整 4. modulation_factorで処理優先度をスケール

配信遅延: 典型値1-3ms（Zenoh Pub/Sub）

4.5 生物学的対応と検証

人間の認知研究との比較: - PFCの不確実性応答: fMRI研究（Volz et al., 2005）と相関係数0.72 - 探索/活用切り替え: 行動経済学モデル（Daw et al., 2006）と一致 - メタ認知不安定性: 従来AI比+340%、人間水準に接近

臨床応用可能性: - 意思決定障害のモデル化（統合失調症、ADHD） - リハビリテーションシステムへの応用 - 薬理効果のシミュレーション（ドーパミンレベルと探索性の関係）

実測結果:
30-50世代で収束（約8-12時間 @24ノード環境）
手動設計比で15-25%の性能向上
未知タスクへの汎化性能+40%

3.5.3 共有と再現性

アーティファクト保存: - DNA (YAML/JSON) - 学習済み重み（PyTorch checkpoint） - 評価ログ（TensorBoard形式） - 実行環境情報（Docker image ID, 依存関係）

配布プロトコル: 1. DNA をアーティファクトサーバーへアップロード 2. Zenoh経由で全ノードへ通知 3. 各ノードが必要に応じてダウンロード 4. 検証ハッシュ確認 5. ランタイムロード（<5秒で切り替え）

再現性保証: - DNAハッシュ: SHA256ベースの一意識別子 - 実行トレース: 全スパイクタイムスタンプとルーティング履歴 - 乱数シード固定: 完全な再現実験が可能

エンコーディング層: スパイク特徴への変換
TAS-Encoding適用 → 空間的に疎な表現（活性率5-15%）
次元削減: 2.76M → 512次元（約0.02%）
スパイキングLM層: 時系列文脈抽出
ChronoSpikeAttention適用
時間窓内での選択的統合（典型窓: 10-50ステップ）
RAG層: 記憶とのマッチング
エピソディック/セマンティック記憶検索
関連性スコア上位k件（典型値: k=5-10）のみ保持
PFC層: 最終意思決定
route_probs計算: 各経路への配分確率
認知エントロピー $H = -\sum p_i \log p_i$ で不確実性を定量化
Q-PFC変調で動的ゲーティング

情報圧縮率: $$\text{圧縮率} = \frac{\text{出力次元}}{\text{入力次元}} \approx \frac{128}{2.76 \times 10^6} \approx 4.6 \times 10^{-5}$$

約20,000分の1に情報を圧縮しながら、タスク関連情報を保持。

3.4.2 勾配安定化技術

スパイクニューロンの非微分性を克服するための技術群。

代理勾配法 (Surrogate Gradient): 実際のスパイク関数（ステップ関数）の代わりに、滑らかな近似関数を用いて勾配を計算。

\[\begin{aligned} \text{Forward: } &S = \Theta(V - V_{th})\\ \text{Backward: } &\frac{\partial S}{\partial V} \approx \frac{1}{\beta} \cdot \frac{1}{(1 + |\beta(V - V_{th})|)^2} \end{aligned}\]

$\Theta$: ヘビサイド階段関数（実際のスパイク）
$\beta$: 傾きパラメータ（典型値: 10-50）

TAS-Encodingの勾配保持効果: - 時間情報を保持することで、勾配消失を緩和 - 多様な時間スケールでの学習を可能に（短期: 数ms、長期: 数百ms）

勾配クリッピング: $$\nabla_\theta \leftarrow \begin{cases} \nabla_\theta & \text{if } ||\nabla_\theta|| \le \tau_{clip}\\ \frac{\tau_{clip} \cdot \nabla_\theta}{||\nabla_\theta||} & \text{otherwise} \end{cases}$$

典型値: $\tau_{clip} = 1.0$

3.4.3 分散環境での効率化

複数ノード間での計算・通信コストの最適化。

ロードバランシング戦略: 1. 最小応答時間: 各ノードの応答時間を監視し、最速ノードに優先配分 2. 重み付けラウンドロビン: ノード性能に比例した配分 3. 一貫性ハッシュ: 同一入力は同一ノードへルーティング（キャッシュ効率向上）

注意重みのスケーリング: $$P_{scaled}(t,t') = P(t,t') \cdot \left(1 - \frac{L_{node}}{L_{max}}\right)$$

$L_{node}$: 対象ノードの現在負荷
$L_{max}$: 負荷の上限閾値

高負荷ノードへの注意を自動的に減らし、低負荷ノードへ分散。

通信最適化: - スパイク圧縮: ゼロでないスパイクのみ送信（典型圧縮率: 85-95%） - Zenoh Pub/Subによる非同期配信（レイテンシ: 1-5ms） - PTP時刻同期によるタイムスタンプ一致（精度: <1μs）

3.5 DNA 実装（構造的遺伝表現）

DNA/Genome メタデータ: ニューロンモデルやエンコーダ種、可塑性ルール、学習率、温度などの設定を「DNA」として JSON/YAML にまとめる。
進化させる仕組み: レイテンシ、スパイク効率、RAG 精度、エントロピーの安定性を指標に選択・交叉・突然変異を行い、世代を重ねて最適構成を探す。
共有と再現: DNA をアーティファクトとして残し、Zenoh 経由で配布すれば、同じ構成をすぐに再現できる。
特許対応: MT25-EV009（EvoGenome ランタイム構造適応エンジン）

4. Q-PFC フィードバックループ（自己変調）

PFC はルーティング不確実性（認知エントロピー）を計測し、量子インスパイアド変調ブロックへ入力。結果は Zenoh 経由で全ノードへ再配信。

認知エントロピー（ルーティング確率 route_probs 上のエントロピー）: $$H_t = -\sum_i p_i(t) \log p_i(t)$$
公開テレメトリ（トピック pfc/{node_id}/decisions）: route_probs, entropy, alpha_t, routing_temp, modulation_factor。
変調の概念: QuantumModulationSimulator が $H_t$ から modulation_factor を生成し、PFC のゲーティング/温度をスケール（$m_t = f(H_t)$ を有界化して発振を防止）。

Q-PFC フィードバックシーケンス: 1. PFC: route_probs を計算 2. PFC: H_t = entropy(route_probs) を計算 3. PFC → Quantum Modulation: H_t を送信 4. Quantum Modulation → PFC: modulation_factor を返却 5. PFC → Zenoh: {route_probs, H_t, modulation_factor} を Publish 6. Zenoh → Downstream Nodes: Broadcast 7. Downstream Nodes → PFC: スパイク/ack (必要に応じ)

sequenceDiagram
    participant PFC as PFC
    participant QM as Quantum Modulation
    participant Zenoh as Zenoh
    participant Nodes as Downstream Nodes

    PFC->>PFC: Calculate route_probs
    PFC->>PFC: H_t = entropy(route_probs)
    PFC->>QM: Send H_t
    QM-->>PFC: modulation_factor
    PFC->>Zenoh: Publish {route_probs, H_t, modulation_factor}
    Zenoh-->>Nodes: Broadcast
    Nodes-->>PFC: Spikes/ack (as needed)

5. 分散通信とタイミング

Zenoh Pub/Sub: 非同期・低レイテンシのルーティング。ノードは疎結合で動的発見。
PTP 時刻同期: スパイクタイムスタンプを全ノードで一貫化。
Executive control & recovery: ExecutiveControlEngine が graceful degradation / retry / failover / replan を提供。

24ノードの詳細構成: EvoSpikeNetのフル脳シミュレーションは、24ノードの階層構造で構成され、各ノードが専門機能を担います。

Rank 0: PFC Control
PFC-0: Prefrontal Cortex - 中央制御、ルーティング決定、Q-PFCフィードバック
Rank 1-9: Visual Processing (視覚処理層)
Vision-1: 低レベル視覚特徴抽出 (エッジ検出)
Vision-2: 中間視覚処理 (形状認識)
Vision-3: 高レベル視覚統合 (物体認識)
Vision-4: 視覚注意制御
Vision-5: 視覚運動協調
Vision-6: 視覚記憶連携
Vision-7: 視覚予測処理
Vision-8: 視覚異常検知
Vision-9: 視覚フィードバック
Rank 10-11: Motor Control (基本運動制御層)
Motor-10: 運動計画
Motor-11: 運動実行・フィードバック
Rank 12-15: Spatial Processing (空間認知・生成層) 🎯 Feature 13 実装完了
Spatial-12 (Where): 頭頂葉背側経路 - 空間位置・距離認識、奥行き推定、座標変換
Spatial-13 (What): 視覚皮質/側頭皮質 - 視覚シーン生成、オブジェクト認識、シーン理解
Spatial-14 (Integration): 後頭頭頂接合部 - What-Where統合、世界モデル構築、空間推論
Spatial-15 (Attention): 前頭眼窩野 - 空間注意制御、サッカード計画、タスク駆動注意
Rank 16-22: Auditory & Language (聴覚・言語処理層)
Auditory-16: 音声特徴抽出
Language-17: 言語理解
Language-18: 言語生成
Language-19: 意味解析
Language-20: 文脈処理
Language-21: 対話管理
Language-22: 言語記憶統合
Rank 23-30: Memory & Integration (記憶・統合層)
Episodic-23: エピソディック記憶 (時系列経験)
Semantic-24: セマンティック記憶 (知識ベース)
MemoryIntegrator-25: 記憶統合
RAG-26: Retrieval-Augmented Generation (情報検索)
RAG-27: マルチモーダル統合
RAG-28: 推論支援
RAG-29: 学習適応
RAG-30: システム全体統合

分散脳シミュレーション構成図:

graph TD
    subgraph "Rank 0: PFC Control"
        PFC0["PFC-0<br/>Prefrontal Cortex<br/>Central Control"]
    end
    subgraph "Rank 1-9: Visual Processing"
        VIS1["Vision-1<br/>Low-level Features"] --> VIS2["Vision-2<br/>Shape Recognition"] --> VIS3["Vision-3<br/>Object Recognition"] --> VIS4["Vision-4<br/>Attention Control"] --> VIS5["Vision-5<br/>Visuo-Motor Coord"] --> VIS6["Vision-6<br/>Memory Link"] --> VIS7["Vision-7<br/>Prediction"] --> VIS8["Vision-8<br/>Anomaly Detection"] --> VIS9["Vision-9<br/>Feedback"]
    end
    subgraph "Rank 10-11: Motor Control"
        MOT10["Motor-10<br/>Planning"] --> MOT11["Motor-11<br/>Execution & Feedback"]
    end
    subgraph "Rank 12-15: Spatial Processing 🎯"
        SPWHERE["Spatial-12 (Where)<br/>Dorsal Parietal<br/>Position & Depth"] --> SPWHAT["Spatial-13 (What)<br/>Visual/Temporal<br/>Scene Generation"] --> SPINT["Spatial-14 (Integ)<br/>Occipitoparietal<br/>What-Where Fusion"] --> SPATT["Spatial-15 (Attention)<br/>Frontal Eye Fields<br/>Saccade Planning"]
    end
    subgraph "Rank 16-22: Auditory & Language"
        AUD16["Auditory-16<br/>Audio Features"] --> LANG17["Language-17<br/>Understanding"] --> LANG18["Language-18<br/>Generation"] --> LANG19["Language-19<br/>Semantics"] --> LANG20["Language-20<br/>Context"] --> LANG21["Language-21<br/>Dialogue"] --> LANG22["Language-22<br/>Integration"]
    end
    subgraph "Rank 23-30: Memory & Integration"
        EPI23["Episodic-23<br/>Episodic Memory"] --> SEM24["Semantic-24<br/>Semantic Memory"] --> MINT25["MemoryIntegrator-25<br/>Integration"] --> RAG26["RAG-26<br/>Retrieval"] --> RAG27["RAG-27<br/>Multimodal"] --> RAG28["RAG-28<br/>Reasoning"] --> RAG29["RAG-29<br/>Adaptation"] --> RAG30["RAG-30<br/>System Integration"]
    end

    PFC0 --> VIS1
    PFC0 --> MOT10
    PFC0 --> SPWHERE
    PFC0 --> AUD16
    PFC0 --> EPI23

    VIS9 --> SPWHERE
    SPATT --> PFC0
    MOT11 --> PFC0
    LANG22 --> PFC0
    RAG30 --> PFC0

5.5 空間認知・生成システム：Where-What経路統合 🎯

神経解剖学的基盤

EvoSpikeNetの空間処理ノード（Rank 12-15）は、脳の視覚-空間処理の二つの主要経路を実装します：

Where経路（背側経路）: - 解剖学的経路: 視覚皮質 V1 → V2 → V5(MT) → 頭頂葉背側（LIP, MIP, VIP, 7a）→ 前頭眼窩野 - 機能: 空間位置、物体の運動、眼球運動制御、空間ワーキングメモリの維持 - ニューロンタイプ: 網膜中心座標または眼球中心座標でコード化するニューロン

What経路（腹側経路）: - 解剖学的経路: 視覚皮質 V1 → V2 → V4 → IT（下側頭皮質）→ 海馬体 → 後頭頭頂接合部 - 機能: 物体識別、シーン理解、形状認識、意味情報処理 - ニューロンタイプ: 物体カテゴリーやセマンティック特性でコード化するニューロン

統合地点と計算: - 後頭頭頂接合部（OPA, RSC, TPJ）: What と Where 情報の統合が起こる - 数理モデル: マルチモーダル結合は加算ないし乗算的統合で表現（以下参照）

ノード別詳細説明

Rank 12: SpatialWhereNode - 背側パリエタル経路（Where処理）

脳領域: 頭頂葉背側皮質（LIP, MIP, VIP）、上側頭溝（STS）背側部

神経生理学的特性: - 視野表現: 網膜中心（retinocentric）座標でコード化、段階的に眼球中心（oculocentric）座標へ変換 - 時空間動力学: シナプス重みが動物の眼球運動に応じてリアルタイムで再マッピング - 位相同期: 注視点の変化に応じて、周囲ニューロン集団が同期度を変化（γ帯域振動: 30-100Hz）

計算タスク:

\[\begin{aligned} \text{Retinal coords:} \quad s_{\text{ret}}(t) &= [x_{\text{image}} - x_{\text{center}}, y_{\text{image}} - y_{\text{center}}]\\ \text{Depth map:} \quad D(x,y) &= F_{\text{CNN}}(I_{\text{RGB}}, I_{\text{stereo}})\\ \text{Allocentric coords:} \quad s_{\text{world}}(t) &= R(\theta_{\text{head}}, \phi_{\text{eye}}) \cdot [s_{\text{ret}}, D(x,y)]^T \end{aligned}\]

ここで $R$ は回転行列、$\theta_{\text{head}}, \phi_{\text{eye}}$ は頭部・眼球の姿勢。

主要コンポーネント: - CoordinateTransformer: 3つの座標系を動的に変換（網膜中心 ⇌ 眼中心 ⇌ 頭部中心 ⇌ 世界） - DepthEstimationNetwork: 単眼深度推定（MiDaS/LeReS風アーキテクチャ）、出力: 1×H×W深度マップ - OpticalFlowNetwork: 連続フレーム間の動き検出（光学フロー） - SpatialMemoryBuffer: 過去30フレーム（1秒@30FPS）の空間履歴を保持

Zenoh通信 (PubSub): - Publish: spikes/spatial/where/depth (深度マップ, 30Hz)、spikes/spatial/where/coordinates (3D座標, 30Hz)、spikes/spatial/where/optical_flow (光学フロー, 30Hz) - Subscribe: spikes/vision/features（Vision-9 から）、spikes/pfc/spatial_attention（トップダウン注意）

パフォーマンス目標: - 処理レイテンシ: <50ms （実測: 47ms） - スルー: 30 fps（720p画像） - スパイク疎性: 入力の5-15%のアクティブのみ

Rank 13: SpatialWhatNode - 視覚・側頭皮質（What生成）

脳領域: 視覚皮質上部（V1, V2, V4, V5）、下側頭皮質（IT）、梭状顔領域（FFA）

神経生理学的特性: - 階層的処理: V1の単純セルから V2 の複雑セルへ、さらに IT の高度な特徴ニューロンへと段階的に高次化 - 不変表現: 物体の変換（スケール、回転）や照明変化に頑健な表現が段階的に形成 - 集団コーディング: 物体カテゴリーは数百〜数千ニューロンの分散表現でコード化

計算タスク: - 物体認識: ResNet/ViT系 backbone で 100+ クラスの確率推定 - シーングラフ解析: 画像中のオブジェクト関係を構造化表現として抽出 - 視覚生成: 言語記述またはセマンティック情報から 3D voxel grid へ変換

\[P(\text{class} | I) = \text{softmax}(W_{\text{classifier}} \cdot f_{\text{backbone}}(I))\]

ここで $f_{\text{backbone}}$ は学習済みCNN特徴、$W_{\text{classifier}}$ は分類層

主要コンポーネント: - ObjectRecognitionLayer: 視覚 backbone（ResNet-50/Vision Transformer） + 分類ヘッド - SceneGraphGenerator: オブジェクト検出 + 関係推定（グラフニューラルネットワーク） - SpatialVAEDecoder: セマンティック情報から 256×256×256 voxel grid を生成 - TemporalPredictor: フレーム系列から次フレーム予測（t+1フレーム生成）

Zenoh通信: - Publish: spikes/spatial/what/scene_graph (JSON形式, 10Hz)、spikes/spatial/what/voxel_grid (3D表現, 10Hz) - Subscribe: spikes/language/spatial_description（言語記述）、spikes/vision/object_embeddings（Vision-9）

パフォーマンス目標: - 処理レイテンシ: <30ms （実測: 28ms） - 物体認識精度: 85-92% (ImageNet-100 subset) - 生成品質: 知覚的距離 <0.2 (LPIPS)

Rank 14: SpatialIntegrationNode - 後頭頭頂接合部（What-Where統合）

脳領域: 後頭頭頂接合部（OPA, RSC）、側頭頭頂接合部（TPJ）、上側頭溝（STS）

神経生理学的特性: - 多感覚統合: 視覚、触覚、聴覚、前庭覚の情報が統合される領域 - 視点不変表現: 異なる視点から見た同じシーンが、ニューロン活動でその相互作用を示唆（視点変換メカニズム） - 世界モデル形成: 頭頂皮質全体でアロセントリック（世界中心）座標系の世界表現が保持される

計算タスク: - What-Where結合: 物体カテゴリー（What）と空間位置（Where）の統合 - 世界モデル更新: 過去のフレームの積分から一貫した 3D 世界表現を構築 - 推論: オブジェクト間の関係性や把握可能性の判定

\[\text{FusedRep} = \text{MultiHeadAttn}(Q=\text{what}, K=\text{where}, V=\text{where})\]

融合メカニズム:

\[W(t) = \text{WorldModel}(D_t, C_1, C_2, \ldots, C_T; \Theta_{\text{world}})\]

ここで $D_t$ はフレーム $t$ での深度マップ、$C$ は物体セグメンテーション、$\Theta_{\text{world}}$ は世界モデルパラメータ

主要コンポーネント: - MultiModalSpatialFusion: 8-headed self-attention で What と Where を統合 - WorldModelIntegrator: 過去30フレーム履歴から3D world grid を動的更新 - SpatialReasoningEngine: 世界モデルから推論（containment, reachability, visibility） - PerspectiveTransformer: 複数視点表現への変換（自己中心から他者視点へ）

Zenoh通信: - Publish: spikes/spatial/integration/world_model (voxel grid, 10Hz)、spikes/spatial/integration/reasoning (推論結果 JSON, 10Hz)、spikes/spatial/integration/perspective (egocentric ビュー, 30Hz) - Subscribe: spikes/spatial/where/coordinates、spikes/spatial/what/voxel_grid、spikes/vision/semantic_segmentation

パフォーマンス目標: - 処理レイテンシ: <50ms （実測: 48ms） - 世界モデル解像度: 256³ voxels @10Hz - 推論精度: 関係認識 90%+ 精度

Rank 15: SpatialAttentionControlNode - 前頭眼窩野（注意制御・サッカード計画）

脳領域: 前頭眼窩野（FEF）、前補足眼野（SEF）、背側前帯状皮質（dACC）

神経生理学的特性: - 報酬仲介: 前頭眼窩野ニューロンは報酬量・報酬確率にコード化した活動を示し、眼球運動目標選択を駆動 - サッカード計画: 運動準備電位（readiness potential）が眼球運動開始の50-100ms前に出現、固定点から目標点への潜伏期は150-250ms - ボトムアップ/トップダウン統合: 脳領域からの下行抑制信号と、注視対象の顕著性（saliency）サインが統合される

計算タスク: - 注意ウェイト計算: タスク駆動信号 + ボトムアップ顕著性の加重結合 - フォーカス選択: 注意ウェイト分布から最優先処理対象を選別 - サッカード計画: 眼球運動目標座標・速度・潜伏期の生成

注意統合の数学モデル:

\[A_{\text{combined}}(x,y,t) = w_{\text{bottom}} \cdot S_{\text{saliency}}(x,y) + w_{\text{top}} \cdot T_{\text{task}}(t)\]

\[\text{Focus} = \arg\max_{(x,y)} A_{\text{combined}}(x,y,t)\]

ここで $w_{\text{bottom}}, w_{\text{top}}$ は動的に調整可能な重み（タスク or 動機によって変化）

主要コンポーネント: - SpatialAttentionController: タスク駆動と顕著性の統合（温度パラメータ可変） - FocusSelector: 注意ウェイトの argmax またはサンプリングでフォーカス位置を決定 - SaliencyDetector: 中心バイアス + 勾配ベースの顕著性マップ生成 - SaccadePlanner: フォーカス位置からサッカード目標への変換（潜伏期モデル付き）

Zenoh通信: - Publish: spikes/spatial/attention/weights (attention map, 30Hz)、spikes/spatial/attention/saliency (saliency map, 30Hz)、spikes/spatial/attention/saccade (motor command, ~10Hz) - Subscribe: spikes/pfc/spatial_task（タスク信号）、spikes/spatial/integration/world_model

パフォーマンス目標: - 処理レイテンシ: <30ms （実測: 25ms） - サッカード計画精度: ±3度以内（視野全体） - 注意シフト応答時間: <100ms

Feature 13 統合のエンドツーエンド動作

典型的な空間認知タスク (例: 「テーブルの上の赤いマグを手に取る」):

t=0-10ms (Rank 12 - Where): カメラ入力 → 深度推定 + 座標変換 → アロセントリック座標系での対象位置算出 (x=0.3m, y=0.5m, z=0.8m)
t=10-25ms (Rank 13 - What): 画像セグメンテーション → オブジェクト認識 (「赤い円筒容器」確度: 0.92) + シーングラフ生成 (on_table, reachable)
t=25-50ms (Rank 14 - Integration): What-Where融合 → 「テーブル上の赤いマグ」という統一表現 → 把握可能性判定 (reachability score: 0.95)
t=50-75ms (Rank 15 - Attention): タスク「マグを掴む」→ 空間注意ウェイト計算 → マグ位置へのサッカード計画 (目標: +15°上, +5°右, 潜伏期: 200ms)
t=75-120ms (Rank 0 - PFC): 全結果を集約 → Motor rank（10-11）へ運動指令配信 → 腕システムがマグ位置へ移動

全スループット: エンドツーエンド処理時間: 120-150ms（脳の典型的な認知-行動サイクルと同等）

6. 長期記憶システム

EpisodicMemoryNode: 時系列経験を保存し FAISS コサイン検索（<5ms 典型）。
SemanticMemoryNode: 概念・知識を重要度付きで保存。
MemoryIntegratorNode: エピソディック/セマンティック結果を統合し RAG・PFC 用インデックスを更新。
性能目標: >1000 qps、保存 <10ms、検索 <5ms（docs/DISTRIBUTED_BRAIN_SYSTEM.md 参照）。

7. シミュレーションサイクル（概念）

センシング/エンコード: カメラ/マイク/環境 → スパイクエンコーダ → スパイキング特徴。
認知: スパイキングLM + ハイブリッドRAGでモダリティ統合。
意思決定: PFC が ChronoSpikeAttention で route_probs を統合し、Brain Language 表現を参照しながら Q-PFC でゲートを整える。
記憶連携: PFC がエピソディック/セマンティック検索を呼び出し、統合された文脈を受け取る。
行動: プランナーとコントローラがモーター指令を出し、安全機構と監視が上限を守る。
学習/適応: 必要に応じて STDP・メタ可塑性、Flower ベースのフェデレーテッド更新を走らせる。

7.1 詳細な動作シーケンス（例: 物体認識タスク）

以下は、典型的な「画像を見て物体を認識し、説明する」タスクの内部処理をステップバイステップで説明します。

時間 t=0: 入力受信 - カメラセンサー: RGB画像 (640×480) を取得 - 視覚エンコーダ: TAS-Encodingでスパイク列に変換 - 例: エッジ検出 → 早いスパイク発火 - Zenoh経由で視覚モジュールへ配信

時間 t=10ms: 特徴抽出 - 視覚モジュール: スパイキングCNNで特徴マップ生成 - スパイク数: 入力の5-15%（疎化） - 出力: 512次元ベクトル（時間軸付き）

時間 t=30ms: モダリティ統合 - スパイキングLM: 視覚特徴を言語トークンに変換 - ChronoSpikeAttention: 時間的依存を考慮（例: 動きの軌跡） - RAG: 記憶から「猫」の類似画像を検索

時間 t=50ms: PFC意思決定 - PFC: route_probs = [0.7, 0.2, 0.1]（言語モジュール優先） - エントロピー計算: H_t = 0.88 bit（中程度の確信） - Q-PFC: α_t = 0.65（活用モード） - Zenoh配信: 全ノードに決定結果をブロードキャスト

時間 t=70ms: 言語生成 - 言語モジュール: Transformerで「これは猫です」と生成 - Brain Language: 内部表現を高次概念に統合

時間 t=100ms: 記憶保存 - エピソディック記憶: {time: t, content: "猫画像認識", context: "物体認識タスク"} - セマンティック記憶: "猫"概念の重要度を更新

時間 t=120ms: 出力 - UI: 認識結果を表示 - ログ: 全スパイク・決定履歴を記録

全体サイクル時間: 120-200ms（人間の反応時間と同等）

7.2 並列処理と同期

非同期処理: 各ノードが独立動作（例: 視覚と聴覚が並行）
同期ポイント: PFC決定時とZenoh配信時
タイムアウト: ノード応答遅延時はデフォルト動作（graceful degradation）
記録: SimulationRecorder でスパイク/膜電位/制御信号を HDF5 に記録（オプション）。

8. 計測とリードアウト

スパイク指標: 発火率、ラスター、バースト性、同期度（EntangledSynchronyLayer の位相カップリング）。
制御指標: エントロピー推移、modulation_factor、routing temperature。
タイミング: E2E レイテンシ、Zenoh ホップ毎の遅延、エンコーダ遅延。
ヘルス: ノードハートビート、選択された負荷分散戦略、フェイルオーバーイベント。

9. 実験例（神経科学的整合性）

注意変調: 入力曖昧性を変化させ $H_t$ と modulation_factor を観測；PFC ゲイン制御仮説との比較。
記憶想起: エピソディック痕跡を挿入し、セマンティック vs エピソディック節点での検索遅延/精度を測定。
スパイク時系列可塑性: 特定層で STDP を有効化し、受容野ドリフトとホメオスタシス下の安定性を評価。
分散ロバスト性: ノードを停止/遅延させ、ExecutiveControl のリカバリ経路と行動劣化を観察。

10. 実行方法（簡潔）

Web UI (フルスタック): sudo ./scripts/run_frontend_cpu.sh または sudo ./scripts/run_frontend_gpu.sh 後、http://localhost:8050 へアクセス。
分散脳スクリプト: python examples/run_zenoh_distributed_brain.py --node-id pfc-0 --module-type pfc --connect tcp/127.0.0.1:7447 （Zenoh で決定を配信）。
データ記録: docs/SIMULATION_RECORDING_README.md の例に従い SimulationRecorder でスパイク/膜電位を取得。

11. 神経科学レビュー向けメモ

数式は一般形に従い、パラメータはノード/設定ファイルで調整可能。
時刻は PTP 同期済みで、ノード間でスパイク時刻を比較可能。
出力は UI でリアルタイム観測でき、ログは構造化 JSON でオフライン解析に対応。

12. 脳科学者からの想定Q&A

Q1. なぜスパイキングニューロンモデルを採用したのか？従来の人工ニューラルネットでは不十分？

A1: 主に3つの理由があります。

時間情報の明示的表現: スパイクのタイミングが情報を運ぶため、「いつ」という時間軸での処理が自然にできます。視覚の動き検出や音声の音素境界検出など、ミリ秒精度が必要なタスクに有効です。
エネルギー効率: スパイクが発生した時のみ計算・通信が発生するため、活動が疎な場合（全ニューロンの5-15%程度）、従来型比で1/8以下の消費電力を実現できます。特にedge devicesでの連続動作に適します。
生物学的妥当性: STDPなどの生物学的学習則がそのまま適用でき、神経科学の知見を直接実装に反映できます。これにより認知神経科学の仮説検証プラットフォームとしても機能します。

Q2. LIF、Izhikevich、EntangledSynchronyの3つのモデルをどう使い分けているか？

A2: タスクの要求に応じて使い分けています。

LIF: 計算コスト重視の層（視覚エンコーダ、初段処理）。シンプルで高速。リアルタイム性が最優先の場合に選択。
Izhikevich: 生物学的妥当性と計算コストのバランスが必要な層（PFC、記憶統合）。バースト発火など多様なパターンが認知処理に寄与すると考えられる部分に使用。
EntangledSynchrony: 分散ノード間の協調が重要な層（マルチモーダル統合、長期記憶検索）。位相同期により情報バインディングを実現。

実際には、DNA進化プロセスでタスクごとに最適な組み合わせを自動探索します。

Q3. ChronoSpikeAttentionの指数減衰は生物学的にどう対応するか？

A3: 複数の神経生理学的現象に対応しています。

シナプス後電位の減衰: EPSP/IPSPは指数関数的に減衰します（時定数5-20ms）。ChronoSpikeAttentionの $\tau$ はこれを模倣。
ワーキングメモリの減衰: 前頭前野のワーキングメモリは、保持時間が長いほど精度が指数的に低下することが行動実験で確認されています。
シータ波位相符号化: 海馬のシータ波（4-8Hz）内で、位相が進むほど過去の情報として減衰する符号化が知られており、構造的に類似しています。

Q4. 認知エントロピーは神経科学的に何に対応するのか？

A4: PFCの不確実性表現に関する複数の研究と対応します。

fMRI研究: 前頭前野背外側部（DLPFC）の活動は意思決定の不確実性と相関（Volz et al., 2005; Hsu et al., 2005）。我々のエントロピー $H_t$ はこの不確実性信号のモデル化です。
単一ニューロン記録: サルのPFCニューロンは、選択肢間の確率分布が平坦なとき（高エントロピー）に発火率が上昇（Kennerley et al., 2011）。
計算論的対応: 強化学習の探索/活用トレードオフにおける「認識的不確実性（epistemic uncertainty）」と数理的に等価。

Q5. Q-PFCの量子回路は本物の量子コンピュータが必要か？

A5: いいえ、古典コンピュータで完全にシミュレート可能です。

現在の実装: 単一量子ビットの $R_y$ ゲート→Z測定は、数行の行列演算で実現（計算コスト: 数μs）。
量子的振る舞いの模倣: 測定確率 $P(|0\rangle) = \cos^2(\theta/2)$ による確率性が本質。真の量子重ね合わせや量子もつれは不要。
将来の拡張性: 本物の量子デバイスが利用可能になれば、より複雑な変調パターン（多量子ビットゲート、量子もつれ）を実装可能ですが、現状の機能には必須ではありません。

Q6. STDPだけでは複雑なタスクは学習できないのでは？

A6: その通りです。そのためMeta-STDPを導入しています。

標準STDPの限界: - パラメータ固定のため、タスクに応じた適応が困難 - 長期学習での安定性と短期適応のトレードオフ - エネルギー制約下での効率が不明

Meta-STDPによる解決: - 外部ループでSTDPパラメータ自体を学習 - タスク要求・エネルギー制約・安定性を統合最適化 - 結果: 新規タスク適応時間75%短縮、エネルギー40%削減

他の学習則との併用: - 必要に応じてバックプロパゲーション（Transformerヘッド部など）も併用 - ハイブリッド学習により、STDPの生物学的妥当性と、勾配法の効率性を両立

Q7. 24ノード構成は生物の脳の構造とどの程度対応するか？

A7: 機能的対応を重視した抽象化です。

対応関係: - Rank 0（PFC） → 背外側前頭前野（DLPFC）、前帯状皮質（ACC） - Rank 1-9（視覚） → V1, V2, V4, MT, IT の階層処理 - Rank 10-11（運動） → 一次運動野、前運動野、小脳 - Rank 12-15（空間認知） → 頭頂葉背側（LIP, MIP）、後頭頭頂接合部（OPA, TPJ）、視覚皮質、前頭眼窩野 - Rank 16-22（聴覚・言語） → A1, A2, STG の聴覚野、ブローカ野、ウェルニッケ野

簡略化した点: - 大脳基底核、視床などの皮質下構造は直接モデル化せず、PFCの変調機構に暗黙的に統合 - 神経修飾物質（ドーパミン、セロトニンなど）は、変調係数やメタパラメータとして抽象化 - 実際の脳の数百億ニューロンに対し、各ノードは数千〜数万ニューロン相当に圧縮

今後の拡張: より詳細な解剖学的対応（大脳基底核モデル、視床ループなど）も実装可能な設計。

Q8. 分散環境でのスパイク同期はどうやって保証するのか？

A8: PTP（Precision Time Protocol）による時刻同期が基盤です。

技術詳細: - 同期精度: ノード間で1μs以下の時刻誤差 - スパイクタイムスタンプ: 全スパイクに64bit高精度タイムスタンプ付与 - Zenoh配信: 非同期Pub/Subながら、タイムスタンプにより因果順序を保証

EntangledSynchronyLayerの役割: - PTP同期だけでは不十分な場合（ネットワーク遅延の揺らぎなど）、位相カップリングにより自発的に同期を回復 - 生物の脳でも、正確な時刻情報なしに神経集団が自己組織化で同期する現象をモデル化

実測性能: - 8ノード環境: スパイクタイミング誤差 < 2ms（95%ile） - 24ノード環境: 同 < 5ms（95%ile） - 認知タスクの典型時間スケール（100-500ms）に対して十分

Q9. エピソディック記憶とセマンティック記憶の区別は実装上どう実現されているか？

A9: 記憶の構造と検索方法で区別しています。

エピソディック記憶（EpisodicMemoryNode）: - 構造: 時系列順のイベント列として保存

{time: t1, context: C1, content: E1}
{time: t2, context: C2, content: E2}
...

- 検索: 時刻範囲 or コンテキスト類似度でフィルタ → FAISS最近傍 - 対応: 海馬のエピソード記憶（"いつ、どこで"の情報を保持）

セマンティック記憶（SemanticMemoryNode）: - 構造: 概念間の関連グラフとして保存

{concept: "cat", related: ["animal", "pet", "mammal"], 
 vector: [0.1, 0.3, ...], importance: 0.8}

- 検索: ベクトル類似度 + グラフ距離の統合スコア - 対応: 新皮質の意味記憶（"何を知っているか"の一般知識）

統合（MemoryIntegratorNode）: - 両方の検索結果を受け取り、時間的文脈と意味的関連性を統合 - 例: "昨日見た猫"という想起は、エピソディック（昨日）とセマンティック（猫の概念）の統合

Q10. このシステムを使って神経科学の仮説検証はできるか？

A10: はい、それを主目的の一つとして設計しています。

具体的な検証例:

注意の計算モデル:
ChronoSpikeAttentionの $\tau$ を操作 → 注意の時間窓が行動にどう影響するか
PFCのルーティング温度を変更 → トップダウン注意制御のモデル化
メタ認知の神経基盤:
認知エントロピーと人間の主観的確信度を比較
Q-PFC変調を病的状態（例: 異常に高い/低い $\alpha_t$）にして、意思決定障害を再現
記憶の統合:
エピソディック/セマンティック記憶の結合強度を操作
睡眠時の記憶固定化（システム統合理論）のシミュレーション
学習と可塑性:
Meta-STDPパラメータと学習曲線の関係
臨界期（sensitive period）のモデル化

利点: - パラメータを自由に操作でき、人間では不可能な実験が可能 - 全ニューロンの活動を完全記録・解析できる - 再現性が完全に保証される（DNA + 乱数シード固定）

制約: - あくまで計算モデルであり、生物学的詳細を全て再現するわけではない - 仮説生成と予備検証の段階として位置づけ、最終検証は生物実験で行うべき

Q11. 計算コストとリアルタイム性は実用レベルか？

A11: タスクとハードウェアに依存しますが、多くの実用シナリオで十分です。

ベンチマーク（24ノード、GPU×8環境）: - 視覚物体認識: 15-30 FPS（リアルタイム動画処理可能） - 音声認識: レイテンシ 50-150ms（インタラクティブ対話可能） - マルチモーダル統合: レイテンシ 80-200ms（人間の反応時間と同等）

スケーラビリティ: - 完全線形スケール: ノード数2倍 → 処理速度2倍 - 100ノード超でも動作確認済み

エネルギー効率: - GPU実装: 従来CNN比で60-70%の消費電力 - ニューロモーフィックチップ（将来）: 更に1/100削減の可能性

制約: - 初回学習は時間がかかる（DNA進化: 8-12時間） - 超高速応答が必要なタスク（<10ms）は現状困難

Q12. 実装コードは公開されているか？研究利用は可能か？

A12: はい、オープンソース（MIT License）で2026年3月末公開予定。

リポジトリ: https://github.com/moonlight-technologies/EvoSpikeNet

ライセンス条件: - 学術研究・教育利用: 完全に自由（MIT License） - 個人プロジェクト: 無料 - 商用利用: Enterprise Commercial Licenseが必要（詳細はREADME参照）

ドキュメント: - API仕様: 自動生成（OpenAPI 3.0、Swagger UI） - チュートリアル: Jupyter Notebook形式で提供 - 実装詳細: docs/ディレクトリに包括的ドキュメント

コミュニティ: - 質問・議論: GitHub Discussions - バグ報告: GitHub Issues - 開発者向けSlackチャンネル（招待制）

引用: 論文での使用時は以下を引用してください:

Aoki, M. (2026). EvoSpikeNet: A Hierarchical Distributed Spiking 
Neural Network with Quantum-Modulated Prefrontal Cortex.
[詳細は実際の論文情報に置き換え]

高度な脳シミュレーションシステム

EvoSpikeNetは現在、神経回路、シナプス可塑性、脳領域統合、行動生成を生物学的に現実的なダイナミクスでモデル化する包括的な脳シミュレーションシステムを備えています。

コアコンポーネント

1. NeuralCircuitModeler

実装上のクラス名は NeuralCircuitModeler です。設定用データクラス NeuralCircuitConfig を使って初期化します。

# 実装に合わせた import と最小の使用例
from evospikenet.brain_simulation import NeuralCircuitModeler, NeuralCircuitConfig
import numpy as np

# 設定を作成
config = NeuralCircuitConfig(
    num_neurons=1000,
    connection_probability=0.1,
    excitatory_ratio=0.8
)

# モデラーを初期化
circuit_modeler = NeuralCircuitModeler(config)

# 1タイムステップをシミュレートする例
input_current = np.zeros(config.num_neurons)
spikes, membrane = circuit_modeler.simulate_timestep(input_current, timestep=0, dt=1.0)

# 神経回路のセットアップ
simulator.setup_circuit(
    connection_probability=0.1,
    synaptic_weights_init='normal',
    neuron_parameters={
        'resting_potential': -65.0,
        'threshold': -50.0,
        'reset_potential': -70.0
    }
)

# シミュレーション実行
simulation_time = 1000  # ms
input_stimuli = torch.randn(circuit_size['excitory'], simulation_time)

results = simulator.run_simulation(
    input_stimuli=input_stimuli,
    simulation_time=simulation_time,
    record_spikes=True,
    record_membrane=True
)

# 結果の分析
spike_times = results['spike_times']
membrane_potentials = results['membrane_potentials']
print(f"平均発火率: {simulator.calculate_firing_rate(spike_times):.2f} Hz")

主な機能: - 複数のニューロンモデル (LIF, Izhikevich, AdEx) - 現実的なシナプスダイナミクス - スパイクタイミング分析 - 回路トポロジーモデリング

2. SynapticPlasticitySimulator

STDP、LTP/LTD、恒常性可塑性メカニズムを実行する SynapticPlasticitySimulator が実装されています。

from evospikenet.brain_simulation import (
  SynapticPlasticitySimulator,
  NeuralCircuitModeler,
  NeuralCircuitConfig
)
import numpy as np

# 回路モデラーを作成してから可塑性シミュレータを初期化します
config = NeuralCircuitConfig(num_neurons=1000, connection_probability=0.1)
circuit = NeuralCircuitModeler(config)
plasticity = SynapticPlasticitySimulator(circuit)

# STDP を適用する例
updated_weights = plasticity.apply_plasticity('stdp', learning_rate=0.01)
        'excitatory_inhibitory': {'rule': 'anti_stdp', 'tau_plus': 10.0, 'tau_minus': 10.0},
        'inhibitory_excitatory': {'rule': 'homeostatic', 'target_rate': 5.0}
    }
)

# シミュレーション中の可塑性適用
for t in range(simulation_time):
    # プレおよびポストシナプススパイクを取得
    pre_spikes = circuit.get_presynaptic_spikes(t)
    post_spikes = circuit.get_postsynaptic_spikes(t)

    # シナプス重みの更新
    weight_updates = plasticity_manager.update_weights(
        pre_spikes=pre_spikes,
        post_spikes=post_spikes,
        current_weights=synapse_weights
    )

    # 更新の適用
    synapse_weights += weight_updates

# 可塑性効果の分析
plasticity_stats = plasticity_manager.get_plasticity_statistics()
print(f"シナプス強化: {plasticity_stats['potentiation_rate']:.2%}")
print(f"恒常性スケーリング: {plasticity_stats['scaling_factor']:.3f}")

主な機能: - 複数の可塑性ルール - 恒常性調節 - メタ可塑性 - 重み安定化

3. BrainRegionIntegrator

階層的接続と情報フローを持つ複数の脳領域を統合します。

<!-- from evospikenet.brain_simulation import BrainRegionIntegrator -->

region_integrator = BrainRegionIntegrator(
    regions_config={
        'visual_cortex': {'neurons': 1000, 'specialization': 'vision'},
        'motor_cortex': {'neurons': 800, 'specialization': 'motor'},
        'prefrontal_cortex': {'neurons': 600, 'specialization': 'executive'},
        'hippocampus': {'neurons': 400, 'specialization': 'memory'}
    }
)

# 領域間接続のセットアップ
region_integrator.setup_connectivity(
    connections=[
        {'from': 'visual_cortex', 'to': 'prefrontal_cortex', 'strength': 0.8},
        {'from': 'prefrontal_cortex', 'to': 'motor_cortex', 'strength': 0.9},
#### 4. BehavioralOutputGenerator
実装上のクラス名は `BehavioralOutputGenerator` です。神経活動の辞書を渡して行動パラメータを生成します。

```python
from evospikenet.brain_simulation import BehavioralOutputGenerator
import numpy as np

behavioral_generator = BehavioralOutputGenerator()

# ダミーの神経活動を用意
neural_activity = {
  'motor': np.zeros(100),
  'visual': np.zeros(100)
}
context = {'task': 'reach'}

output = behavioral_generator.generate_behavior(neural_activity, context)
print(output)

print(f"{interaction['from']} -> {interaction['to']}: {interaction['information_flow']:.3f}")

**主な機能:**
- 多領域統合
- 階層的処理
- フィードバックループ
- 情報フロー分析



# 行動の解釈例
if behavior_output.get('behavior_type') == 'reach':
    # `parameters` に到達位置や速度などが含まれます。
    motor_params = behavior_output.get('parameters', {})
    # ロボット制御へ渡す処理は利用側で実装してください。
    # robot.execute_motor_parameters(motor_params)

主な機能: - 運動制御生成 - 意思決定 - 行動シーケンシング - パフォーマンス評価

5. Neural Dynamics Monitoring

専用クラス NeuralDynamicsTracker は実装されていません。リアルタイム監視や解析は、ValidationFramework や各種レコーダ（将来的な実装）を組み合わせて行います。

from evospikenet.brain_simulation import ValidationFramework

# 検証フレームワークからの履歴取得例
validation = ValidationFramework()
history = validation.get_validation_history()

# 必要に応じてレコーダや統計処理を組み合わせてリアルタイム監視を実装してください

activity=current_activity, time_point=t, context={'stimulus_onset': t == stimulus_time} )

追跡されたダイナミクスの分析

dynamics_analysis = dynamics_tracker.analyze_dynamics()

振動活動

for band, power in dynamics_analysis['oscillations'].items(): print(f"{band} パワー: {power:.2f}")

神経アバランシェ

avalanche_stats = dynamics_analysis['avalanches'] print(f"アバランシェサイズ分布指数: {avalanche_stats['exponent']:.2f}")

機能的接続性

connectivity_matrix = dynamics_analysis['connectivity']

**主な機能:**
- リアルタイムダイナミクス追跡
- 振動分析
- アバランシェ臨界性
- 機能的接続性

#### 6. Simulation Composition (統合パターン)
本実装では単一の `BrainSimulationManager` は提供していません。代わりに以下のように複数のコンポーネントを組み合わせてシミュレーションを構成します。

```python
from evospikenet.brain_simulation import (
  NeuralCircuitModeler, NeuralCircuitConfig,
  SynapticPlasticitySimulator, BrainRegionIntegrator, BrainRegionConfig
)

# 回路モデラー + 可塑性 + 領域インテグレーションの最小構成例
config = NeuralCircuitConfig(num_neurons=1000, connection_probability=0.05)
circuit = NeuralCircuitModeler(config)
plasticity = SynapticPlasticitySimulator(circuit)
integrator = BrainRegionIntegrator()
integrator.add_region(BrainRegionConfig(region_name='prefrontal', num_neurons=500))

# ここから各コンポーネントを接続して手動でシミュレーションを進めます

region_config={ 'visual_cortex': {'neurons': 2000, 'input_modality': 'vision'}, 'motor_cortex': {'neurons': 1500, 'output_modality': 'motor'}, 'prefrontal_cortex': {'neurons': 1000, 'function': 'executive'}, 'hippocampus': {'neurons': 800, 'function': 'memory'} } )

行動出力付き脳シミュレーション実行

simulation_results = simulation_manager.run_brain_simulation( input_sequence=experiment_inputs, simulation_duration=10000, # ms record_behavior=True, analysis_intervals=[1000, 5000, 10000] )

シミュレーション結果の分析

behavioral_analysis = simulation_manager.analyze_behavioral_output( results=simulation_results )

neural_analysis = simulation_manager.analyze_neural_dynamics( results=simulation_results )

シミュレーションレポートの生成

report = simulation_manager.generate_simulation_report() print(f"シミュレーション完了: {report['duration']} ms") print(f"生成された行動: {report['behavior_count']}") print(f"検出された神経振動: {len(report['oscillations'])}")

**主な機能:**
- 統合された脳シミュレーションインターフェース
- 多スケール統合
- 包括的な分析
- 行動神経科学研究

### 統合例

#### 認知課題シミュレーション
単一の `BrainSimulationManager` は存在しないため、領域ごとのモジュールを組み合わせて認知課題を構成します。先の「Simulation Composition」節を参照してください。

```python
# 例: 各領域で NeuralCircuitModeler を作成し、行動生成器や検証フレームワークと組み合わせて
# 認知課題を実装します。実際のタスク実装は利用ケースに合わせて手動で構成してください。

運動学習シミュレーション

運動学習も同様に、既存コンポーネントを組み合わせて実装します。BrainSimulationManager が無いため、領域別の NeuralCircuitModeler と可塑性シミュレータを組み合わせて学習ループを構築してください。

# 例: motor_circuit に対して SynapticPlasticitySimulator を適用して学習を評価する、等

learning_curve.append(trial_result['error'])

# 運動学習の適用
motor_sim.update_motor_learning(trial_result)

学習の分析

learning_analysis = motor_sim.analyze_motor_learning(learning_curve) print(f"学習率: {learning_analysis['learning_rate']:.3f}") print(f"漸近パフォーマンス: {learning_analysis['asymptote']:.2f}")

### 設定オプション

```yaml
brain_simulation:
  neural_circuits:
    neuron_model: izhikevich
    circuit_size: 10000
    connectivity:
      type: sparse
      probability: 0.1
      weight_distribution: lognormal

  synaptic_plasticity:
    rules_enabled: [stdp, homeostatic, metaplastic]
    learning_rate: 0.01
    homeostasis:
      target_rate: 10.0
      time_constant: 10000

  brain_regions:
    regions:
      - name: visual_cortex
        neurons: 2000
        function: sensory
      - name: motor_cortex
        neurons: 1500
        function: motor
      - name: prefrontal_cortex
        neurons: 1000
        function: executive

  behavioral_generation:
    motor_control:
      type: population_coding
      degrees_of_freedom: 7
    decision_making:
      type: evidence_accumulation
      options: 4

  neural_dynamics:
    tracking:
      sampling_rate: 1000
      analysis_window: 100
    metrics: [firing_rate, synchrony, oscillations, avalanches]

  integration:
    feedback_loops: true
    cross_modal: true
    hierarchical: true

センサー接続プラグイン

分散脳シミュレーションは外界センサーからの生データを取り込みやすくするため、 共通インターフェースを提供しています。LiDAR、ステレオ／赤外線カメラ、環境センサー（温度・湿度・風速・CO₂ 等）、ミリ波レーダーなどをプラグイン形式で追加し、ノードを通じて脳モデルに供給できます。

プラグインは evospikenet.sensor_integration パッケージ内の SensorDriver 抽象クラスを継承し、SensorManager に登録します。こうすることで新しいデバイスドライバをコアコードに触れずに実装でき、実験装置の差し替えや機能拡張が容易になります。

詳細な実装手順はセンサードライバ開発ガイドを参照してください。

例:

from evospikenet.sensor_integration import SensorManager, SensorType, SensorInfo

info = SensorInfo(sensor_type=SensorType.LIDAR, name="hokuyo-utm30")
driver = SensorManager.create_driver(SensorType.LIDAR, info=info)
driver.connect()
driver.start_stream()
sample = driver.read_sample()

プラグイン方式により機器依存コードを分離
センサー種類の追加／更新が容易
ユニットテストでダミードライバを使った検証が可能

ベストプラクティス

モデル選択: 研究課題に適切なニューロンモデルを選択
パラメータチューニング: 生物学的データに対してパラメータを検証
スケール管理: 小さな回路から始め、徐々にスケールアップ
検証: シミュレーション結果を実験データと比較
分析: 包括的な理解のために複数の分析方法を使用
再現性: すべてのパラメータとランダムシードを文書化

研究応用

認知神経科学: 作業記憶、注意、意思決定
運動制御: スキル学習、運動適応、協調
神経発達: 臨界期、シナプス刈り込み、ネットワーク形成
神経疾患: パーキンソン病、てんかん、統合失調症のモデリング
脳-機械インターフェース: 神経デコーディング、義肢制御
計算精神医学: 報酬学習、動機付け、依存

トラブルシューティング

一般的な問題: - 不安定性: ニューロンパラメータを調整するか接続強度を減らす - 活動なし: 入力刺激と閾値設定を確認 - メモリ問題: 回路サイズを減らすかスパース接続を使用 - 遅いシミュレーション: 積分方法を最適化するか記録を減らす

デバッグモード:

simulation_manager.enable_debug_mode()
simulation_manager.log_neural_activity()
simulation_manager.enable_performance_monitoring()

パフォーマンス最適化

スパース接続: 大規模回路にスパース行列を使用
ベクトル化: 並列計算のためのGPUアクセラレーションを活用
適応タイムステップ: スティッフ方程式に適応積分を使用
メモリ管理: メモリ効率的なデータ構造を実装
並列処理: シミュレーションを複数のコア/GPUに分散