サカナAI、生物学的学習ルールを達成
「Diffusing Blame」研究は、生物学的に実在するダイル則（Dale's principle）を厳格に遵守しつつ、従来の逆伝播が抱える重み転送問題を回避する学習手法を開発し、画像分類と強化学習の両方で高い性能を示した。
キーポイント
ダイル則と重み転送問題の克服
従来の人工ニューラルネットワークは生物学的な制約である「各ニューロンが興奮性または抑制性のどちらかに偏る」というダイル則を無視しがちであり、逆伝播では非現実的な「重み転送」が必要となるが、本手法はこの両課題を同時に解決する。
誤差拡散（Error Diffusion）の拡張
単一のグローバル誤差信号を各隠れ層へ直接ルーティングする「誤差拡散」アプローチを基盤とし、多クラス問題に対応するために「モジュロ誤差ルーティング」という新しい手法を導入した。
強化学習環境での有効性検証
Ant, Humanoid, HalfCheetah などの複雑な強化学習タスクにおける PPO 訓練で、本手法の更新ルールが真の逆伝播勾配と強く整合し、ノイズの多い環境でも効果的な信用配分（credit assignment）を提供することを示した。
生物学的に妥当な学習ルールの可能性
重みを転送することなくダイル則を厳守して学習が可能であることが実証され、より効果的で生物学的に妥当な学習ルールへの道筋が開かれた。
重要な引用
can a neural network learn competitively while strictly obeying Dale's principle, the rule that real neurons follow?
Backprop makes the gap even wider. Its backward pass needs exact transposed copies of the forward weights, the so-called 'weight transport problem,' which biology doesn't seem to have a mechanism for.
Among the routing schemes we tested, modulo routing consistently produced the strongest alignment.
影響分析・編集コメントを表示
影響分析
この研究は、AI の効率化だけでなく、脳科学との統合という長年の課題に対する画期的な解決策を提示しています。特に「重み転送問題」の解消は、エネルギー効率が求められるエッジデバイスや、生物学的メカニズムに倣ったニューロモーフィックコンピューティングの実現に向けた重要な技術的ブレークスルーです。
編集コメント
「重み転送問題」という逆伝播の根本的な非現実性を、ダイル則という生物学的制約と組み合わせて解決しようとする試みは非常に興味深いです。これは単なるアルゴリズムの改良を超え、AI の学習メカニズムそのものを脳に近づけるパラダイムシフトの兆候と言えます。
「Diffusing Blame」とは何か？ニューラルネットワークが、生体ニューロンが従う法則である"デールの原理"を厳格に守りながら、競争的に学習できるのか。画像分類と強化学習の両方で、その答えはイエスであることを示します。
ALIFE2026 に採択されました。
生体のニューロンは一般的にデールの原理に従います。つまり、各ニューロンは主に興奮性か抑制性のどちらかに分類されます。一方、標準的な人工ニューラルネットワークはこの制約を無視し、すべてのユニットが正と負の出力重みを混在させることを許容しています。
誤差逆伝播法（バックプロパゲーション）はこの格差をさらに広げます。この手法では、順方向の重みの正確な転置コピーが必要となるため、「重み輸送問題」と呼ばれる課題が生じます。しかし、生物にはこれを解決するメカニズムが存在しないようです。
そこで私たちは問いかけました。「デールの原理を厳格に守りつつ、重み輸送なしでネットワークが効果的に学習できるのか？」
私たちのアプローチは、局所的なルールである「誤差拡散（Error Diffusion）」に基づいています。これは単一のグローバルな誤差信号をすべての隠れ層ユニットへ直接配分する仕組みです。各層は興奮性と抑制性のストリームに分割され、4 つの非負の重み行列を用います。これにより、シナプスの符号は学習可能な重みではなく、固定されたニューロン集団のアイデンティティによって決定されます。
私たちの主な貢献は、この誤差拡散をバイナリ問題から多クラス問題へと拡張した点にあります。そのために「モジュロ誤差ルーティング」という手法を採用しました。
では、このルーティング機構が、強化学習というノイズの多い環境において有用な信用信号を提供できるかを検証しました。Ant、Humanoid、HalfCheetah での PPO 学習中に、各局所的な ED の更新と、対応する真の逆伝播勾配を比較しました。その結果、テストしたルーティング手法の中で、モジュロ・ルーティングが最も高い整合性を示すことが分かりました。
これらの結果を総合すると、デール制約付きネットワークは、重みを後方へ転送することなく学習可能であることが示唆されます。これは、効果的でありながら生物学的にもより妥当な学習則へと至る可能性のある道筋を示していると言えます。
原文を表示
Introducing "Diffusing Blame": can a neural network learn competitively while strictly obeying Dale's principle, the rule that real neurons follow? We show it can, across both image classification and reinforcement learning. 🧠
Accepted at #ALIFE2026
Real neurons generally follow Dale’s principle: each neuron is predominantly excitatory or inhibitory. Standard artificial networks usually ignore this constraint, allowing every unit to mix positive and negative outgoing weights.
Backprop makes the gap even wider. Its backward pass needs exact transposed copies of the forward weights, the so-called "weight transport problem,” which biology doesn’t seem to have a mechanism for.
So we asked: can a network that strictly enforces Dale's principle still learn well, without weight transport?
Our approach builds on Error Diffusion (ED), a local rule that routes a single global error signal directly to every hidden unit, where each layer is split into separate excitatory and inhibitory streams with four non-negative weight matrices, so a synapse's sign comes from fixed population identity rather than a learnable weight. Our main contribution is to extend ED from binary to multi-class problems via modulo error routing.
We then asked whether this routing mechanism could provide useful credit signals in the noisy setting of reinforcement learning. During PPO training on Ant, Humanoid, and HalfCheetah, we compared each local ED update with the corresponding true backpropagation gradient. Among the routing schemes we tested, modulo routing consistently produced the strongest alignment.
Taken together, these results show that Dale-constrained networks can still learn without transporting weights backward, suggesting a potential path toward learning rules that are both effective and more biologically plausible.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み