Reservoir Computingとコネクトーム

Wed, 09 Sep 2026 12:00:00 +0900

背景

XでコネクトームをReservoir Computingで移植している人がいた
「生物の神経結合構造を、機械学習の計算基盤として流用する」という研究分野が存在する
これは、攻殻機動隊的な「人間の脳をまるごとサイバー化する電脳化」とは別の話ではある
ここでは、Reservoir Computingの基本と、その延長線上にあるコネクトームベースの研究を整理した

Reservoir Computing

Reservoirとは

リザバー（reservoir）は、「貯水池」の意味
Reservoir Computingにおける固定された再帰結合部分のこと
入力を受け取り、内部で高次元・非線形な力学系として反応させる層
ランダムに初期化された結合を持ち、学習では一切更新されない

Reservoir Computingとは

内部の再帰結合（リザバー）はランダムに固定したまま、出力層の線形結合だけを学習する枠組み
大きく重み付き和で学習する通常のニューラルネットと違い、
リザバー自体は学習せず、入力を高次元の非線形な力学系の軌道に変換する役割だけを担う
学習対象がリザバーではなく出力層の線形回帰だけになるため、通常のRNNに比べて学習コストが大幅に小さい

Reservoir Computingの源流

Reservoir Computingには、大きく2つの源流がある:

Echo State Network（ESN）:
- Herbert Jaegerが2001年に提案（The "echo state" approach to analysing and training recurrent neural networks, GMD Report 148）
- 実数値のリカレントニューラルネットをリザバーとして使う
Liquid State Machine（LSM）:
- Wolfgang Maass, Thomas Natschläger, Henry Markramが2002年に提案（Real-time computing without stable states: A new framework for neural computation based on perturbations, Neural Computation 14(11), 2531-2560）
- スパイキングニューロンをリザバーとして使う、より生物学的に妥当なモデル

いずれも「リザバーは固定・訓練するのは読み出し層のみ」という設計思想は共通している。

リザバーとしての「コネクトーム」

コネクトームとは、脳内のニューロン間の結合構造（構造的結合）を網羅的に記述したもの
通常のESN・LSMでは、リザバー内部の結合はランダムな行列として初期化される
コネクトームベースのReservoir Computingは、このランダム行列の代わりに、実在の生物から得られたコネクトーム由来の結合行列をそのままリザバーの結合構造として使う、という発想

つまり「配線図をランダムに作る」代わりに「実物の脳の配線図を借りてくる」ことで、リザバーを構成する。

conn2resツールボックス

Suárez, Mihalik, Milisav, Marshall, Li, Vértes, Lajoie, MisicによるConnectome-based reservoir computing with the conn2res toolbox（Nature Communications, 2024, doi:10.1038/s41467-024-44900-4）が、この分野の代表的なツールキット
束追跡（tract tracing）や拡散MRIなど、複数の手法で再構成されたコネクトームを入力として受け付けるモジュール設計
リザバー内部のダイナミクスも、スパイキングニューロンからメムリスタ的な力学系まで、複数の選択肢を差し替えられる
実装されたコネクトームに、認知タスクを解かせるという形で評価する

具体的な研究例

ショウジョウバエのコネクトームを使う研究

Jacob Morra, Mark DaleyによるImposing Connectome-Derived Topology on an Echo State Network（arXiv:2201.09359）: ショウジョウバエのコネクトーム由来の結合行列で、ESNのリザバー層をそのまま置き換えたモデル（Fruit Fly ESN, FFESN）を提案
Leone Costi, Alexander Hadjiivanov, Dominik Dold, Zachary F. Hale, Dario IzzoによるThe Drosophila Connectome as a Computational Reservoir for Time-Series Prediction（Biomimetics, 2025, PMC12109256）: ショウジョウバエのコネクトームをリザバーとして、時系列予測タスクを解かせている

人間の脳のコネクトームを使う研究

Accessing the topological properties of human brain functional sub-circuits in Echo State Networks（arXiv:2412.14999）: 人間の脳の機能的結合から抽出したサブサーキットの構造をESNに組み込む研究
Using Connectome Features to Constrain Echo State Networks（arXiv:2206.02094）: コネクトームから抽出した特徴量（次数分布やモジュール性など）を、リザバーの構成に制約として使う研究

人間の完全な構造的コネクトーム（シナプスレベルの全結線図）は、2026年現在も完全なマッピングには至っていないため、人間を対象とした研究の多くは、拡散MRI由来の構造的結合や機能的結合のデータを使っている。

なぜ実際の配線構造を使うのか

ランダムな結合と、実際の生物の結合構造とで、リザバーとしての性能（記憶容量やタスク精度）に違いが出るかを調べるのが主な動機
生物の脳が、進化の過程で計算に有利な結合構造を獲得してきたのかどうかを、機械学習の評価指標を使って検証できる
逆に、リザバーとしての性能という切り口から、コネクトームの構造そのものへの理解を深めるという、神経科学側からの動機もある

電脳化との違い

「電脳化」は、人間の意識・記憶をまるごとサイバネティックな基盤へ移し替えるSF的な概念
一方、ここで扱ったコネクトームベースのReservoir Computingは、脳の意識や記憶を移植しているわけではなく、あくまで結合構造（配線図）だけを、機械学習の計算資源として流用している
対象も、現状ではショウジョウバエや線虫といった、コネクトームが比較的解明されている小規模な生物が中心で、人間の全脳を対象にした研究はまだ限定的

まとめ

Reservoir Computingは、リザバー部分を固定し出力層だけを学習する枠組みで、Echo State Network（Jaeger, 2001）とLiquid State Machine（Maass et al., 2002）が源流
コネクトームベースのReservoir Computingは、リザバーのランダムな結合行列を、実在の生物のコネクトーム由来の結合構造に置き換える研究分野
conn2resツールボックス（Suárez et al., 2024, Nature Communications）が代表的な実装で、ショウジョウバエや人間の脳のデータに対応している
ショウジョウバエのコネクトームをそのままリザバーとして使う研究（Morra & Daley 2022, Costi et al. 2025）や、人間の脳の機能的結合を使う研究がある
「電脳化」のような意識の移植ではなく、あくまで配線構造を計算基盤として借用するという話

参考文献

Jaeger, H. (2001). “The ’echo state’ approach to analysing and training recurrent neural networks.” GMD Report 148.
Maass, W., Natschläger, T., Markram, H. (2002). “Real-time computing without stable states: A new framework for neural computation based on perturbations.” Neural Computation, 14(11), 2531-2560.
Suárez, L.E., Mihalik, A., Milisav, F., Marshall, K., Li, M., Vértes, P.E., Lajoie, G., Misic, B. (2024). “Connectome-based reservoir computing with the conn2res toolbox.” Nature Communications, 15. doi:10.1038/s41467-024-44900-4
Morra, J., Daley, M. (2022). “Imposing Connectome-Derived Topology on an Echo State Network.” arXiv:2201.09359
Costi, L., Hadjiivanov, A., Dold, D., Hale, Z.F., Izzo, D. (2025). “The Drosophila Connectome as a Computational Reservoir for Time-Series Prediction.” Biomimetics. PMC12109256
“Accessing the topological properties of human brain functional sub-circuits in Echo State Networks.” arXiv:2412.14999
“Using Connectome Features to Constrain Echo State Networks.” arXiv:2206.02094

Echo-State-Network on M1KE BL0G