現代の神経科学において、脳がどのように複雑な情報処理を行っているのかという根本的な問いに対し、ベクトル記号アーキテクチャ（Vector Symbolic Architecture, VSA）が新たな理論的枠組みを提供している。VSAは高次元ベクトルを用いてシンボリックな情報を表現し、それらを操作する計算モデルであり、従来の離散的シンボル処理と神経ネットワークの分散表現を橋渡しする革新的なアプローチとして注目されている。本記事では、VSAの基本原理から生物学的実装の可能性、実際の脳機能との対応まで、包括的に解説する。
ベクトル記号アーキテクチャの基本概念
高次元ベクトルによる情報表現の原理
ベクトル記号アーキテクチャは、単語や物体などの概念をランダムに近い高次元ベクトルで表現し、これらのベクトルに対して特定の演算を適用することで新たな表象を構成する計算フレームワークである。代表的な実装として、Plateによる縮小写像表現（Holographic Reduced Representation, HRR）やEliasmithらによるセマンティックポインタアーキテクチャ（Semantic Pointer Architecture, SPA）が挙げられる。
VSAの核心となるのは、**スーパーポジション（重ね合わせ）とバインディング（結合）**という二つの主要演算である。スーパーポジションは複数のベクトルを単純に加算して統合する操作で、結果ベクトルは各要素の類似度を保持する特性を持つ。これは一種の「メモリ合金」のように、入力ベクトル群の特徴をすべて内包する表現を生成する。
一方、バインディングは2つのベクトルから全く異なる新規ベクトルを生成する操作で、HRRでは循環畳み込みによって実現される。バインディングの結果ベクトルは元のベクトルと直交性の高い特徴を持つよう設計されており、片方の元ベクトル（例えば「役割」情報）を用いて他方（「値」情報）を**アンバインド（解結合）**することで、埋め込まれていた情報を復元できる仕組みとなっている。
脳内実装における理論的基盤
脳内でVSAを実装する可能性については、セマンティックポインタ仮説が重要な手がかりを提供している。この仮説によれば、大脳皮質のニューロン集団の活動パターンこそが「セマンティックポインタ」として高次元ベクトルに対応し、それ自体が部分的な意味内容を担いつつ、他の活動パターンと組み合わさることで複合的な表象を形成できるとされる。
Eliasmithらの神経工学フレームワーク（Neural Engineering Framework, NEF）では、ニューロン集団の発火率ベクトルを高次元ベクトル空間の点とみなし、集団間の結合重みを適切に設定することで所望の線形・非線形演算を実現できることが実証されている。例えば、二つのニューロン集団がそれぞれベクトルを表現している場合、第三の集団に対する結合パターンを畳み込み演算器として設計することで、バインディング結果を表現することが可能となる。
VSAと神経可塑性メカニズムの相互作用
Hebb学習とスーパーポジション機能
脳内でVSA的な表現を実現するためには、シナプス可塑性が決定的な役割を果たす。Hebb則に基づくシナプス強化（「一緒に発火するニューロンは結線も強まる」）は、VSAにおけるスーパーポジションに自然に対応する現象である。
ある時に同時に活動したニューロン集団同士の結合が長期増強（LTP）により強化されれば、その後その組み合わせが一つのまとまりとして再活性化しやすくなる。これは複数のベクトルを重ね合わせて単一のベクトルに束ねるバンドリング操作に相当し、脳内では混合選択性を持つニューロン（複数の入力特徴の組み合わせにのみ応答するニューロン）の形成として観察される。
STDP と一因子ルールによる学習機構
スパイクタイミング依存可塑性（STDP）のような厳密な時刻同期を要求するルールは、複雑なエピソード記憶の一回学習には不十分な場合がある。そのため脳では、海馬の苔状線維シナプスに見られるようなプレシナプス主導型の強力な可塑性が用いられている。
歯状回からCA3への苔状線維シナプスでは、プレ側の高頻度バーストのみで数分持続する著しいシナプス増強が誘発される。この「一因子ルール」により、ある新規パターンが歯状回で活性化すると、それだけで歯状回→CA3シナプスが増強され、CA3にそのパターンを再現する経路が単回の経験で形成される。
理論研究では、環境の「状態」に対応するランダム高次元ベクトルをエンコーディングネットワークで生成し、それをエピソード（状態の系列）に沿って一因子ルールで逐次加算することで、系列全体を表す経路ベクトルを単一の高次元ベクトルとしてシナプスに蓄えることができることが示されている。
メタ可塑性による表現安定化
メタ可塑性（可塑性そのものの可塑性）は、学習ルールの閾値やゲインを調節することで、ネットワーク全体の安定性と表現多様性を維持する重要な機能である。長期間の学習で特定のシナプスばかりが強化されすぎると、他の新規パターンを符号化する余地が狭まり、記憶の干渉が起こりやすくなる。
脳ではシナプススケーリングや発火率のホメオスタシス機構によって、全体として適度な活性水準と表現のばらつきが保たれるよう調整がなされている。これはVSAで要求される「異なるシンボルはできるだけ直交したベクトルで表現する」「各ベクトルのノルムや活動レベルを一定に保つ」といった条件に対応する重要な仕組みである。
生物学的モデルによる実装例
Spaunモデルの革新的アーキテクチャ
VSAの実用性を実証した最も著名な例が、Chris EliasmithらによるSpaunモデルである。Spaunは約250万個のスパイキングニューロンから構成された世界最大級の脳機能モデルで、8種類の認知課題を単一のネットワークで実行できることを実証した。
Spaunの全体構造は、視覚野V1-V2-V4-ITに相当するモジュールで手書き数字等の画像入力を圧縮し50次元程度のセマンティックポインタを抽出、それを作業記憶に保持しつつ、基底核に相当するモジュールでタスク依存の制御を行い、最終的に運動皮質～脊髄に相当するネットワークでロボットアームを駆動して解答を書き出すという一連の処理を行う。
Spaunの作業記憶では、系列中の要素を役割-充当子表現で保持しており、各要素ベクトルに位置ベクトルをバインディングして重ね合わせることで順序付きリストを記憶する。これは海馬がエピソード中の出来事に時間的コンテキストを付与して記憶するとされる仕組みのモデル化と解釈できる。
海馬CA1における新奇検出機能
Agerskovらは海馬CA1における新奇検出機能を題材に、スパイキングニューラルネットワークで高次元ベクトル間のドット積演算（類似度計算）を実現したモデルを構築した。彼らのモデルでは、NEFを用いて構築したCA1ネットワークがセマンティックポインタで表現された現在入力と長期記憶パターンを比較し、その類似度に応じてCA1ニューロン群が活性を変化させる。
このモデルは環境の変更に応じてCA1から一般化新奇シグナルが放出されるというラットの実験結果を再現するもので、情報フローの観点から「海馬CA1は入力ベクトルと想起ベクトルの内積演算を行っている」と解釈できる画期的な知見を提供した。
VS-BINDモデルの階層的処理
Calmusらが提案したVS-BINDモデルは、霊長類の前頭-側頭ネットワークが持つとされる系列処理能力に着想を得たモデルである。このモデルは実験で明らかになっている脳波の位相同期パターン（θ波とγ波の階層的振動など）を取り入れつつ、シーケンス中の要素間の依存構造をVSAのバインディング演算で符号化している。
VS-BINDでは各種VSA演算（加法的結合と乗法的結合）を脳波の振幅・位相変調に対応づけており、例えばガンマ振動の位相合わせが実質的にベクトル同士の結合に対応するような仕組みを提案している。これは脳内の動的結合現象とVSAを橋渡しするモデルとして重要な意義を持つ。
脳における実験的証拠とVSAの対応
海馬のパターン分離・完成機能
海馬体ではパターン分離とパターン完成というプロセスによって類似経験の干渉を防ぎつつ記憶検索を可能にしているが、これはVSAで重ね合わせたベクトルを直交化・復元する操作に深く関連している。
歯状回は入力に対し出力ニューロンの活動パターンを大きく疎・直交的に変換する。この直交化はVSAでランダムベクトルを割り当てるのと類似の役割を果たし、新規概念に対して高い識別性を持つ符号を生成する。一方、CA3領域は豊富な自己再帰結合による連想記憶ネットワークとなっており、一部の手がかり入力から完全なパターンを再現するパターン完成機能を持つ。これはVSAでバインディングしたベクトルから片方の要素を使ってもう片方をアンバインドする操作に相当する。
前頭前野の混合選択性
前頭前野（PFC）のニューロンはしばしば混合選択性と呼ばれる性質を示し、単一の刺激ではなく複数の要因の組み合わせに応答する。例えば、「ある視覚刺激Aかつ特定の文脈Cのときにのみ発火する」ようなニューロンが見つかっており、これはAとCがPFCニューロン上で乗算的に結合されているとみなすことができる。
混合選択性によってPFCは非常に高次元かつ非線形な表現空間を生成しており、理論的研究ではこれが柔軟な行動決定に必要な計算能力をもたらすことが示されている。高次元空間では線形分離性が向上するため、任意の条件-反応パターンを学習で実現しやすくなる。VSAはこの混合表現を扱うための定式化を提供している。
視覚野の特徴統合問題
視覚野では古典的に特徴統合問題が知られ、色や形など別々の特徴を持つ刺激をいかにして一つのオブジェクトとして統合するかが課題となっている。生理実験からは、同一物体に選択的なニューロン同士が同期発火することで統合のラベル付けを行っているという仮説が提唱されてきた。
VSAはこれを補完する別の視点——すなわち、特徴ベクトル同士を結合演算で合成し、新たなオブジェクトベクトルを生成する——を提供する。下流の視覚野（例えばIT野）のニューロンは特定の組み合わせの特徴にのみ応答することがあり、これは入力層の特徴ベクトルが中間表現空間で非線形結合された結果と見なすことができる。
まとめ
ベクトル記号アーキテクチャは、脳の情報処理メカニズムを理解する上で極めて有望な理論的枠組みを提供している。高次元ベクトルによる分散表現、神経可塑性との整合性、実際の脳機能との対応関係など、多角的な観点からその生物学的妥当性が支持されている。
Spaunをはじめとする大規模モデルは、VSAに基づく認知計算が神経回路レベルで実現可能であることを実証し、従来の「シンボル操作はニューロンには困難である」という見方に対して新たなパラダイムを提示した。今後は、より詳細な神経可塑性の調節機構やネットワーク動態の解明により、脳におけるベクトル記号処理の実態がさらに明らかになることが期待される。
VSAは認知科学、神経科学、人工知能の分野を横断する統合的な理論として、脳の情報処理原理の解明と次世代AI技術の発展の両面で重要な貢献を果たしていくであろう。
コメント