シナプスは分子学的および超微細構造上の状態が異なるが、この不均一性が計算論的にどのような役割を担うのかは未解明であり、計算モデルもこれを説明できていない。局所的なヘッブ型に近い可塑性は実験的に強く支持されている一方で、複雑な行動の学習には非局所的な信用割当（credit-assignment）信号が必要になる可能性が高い。最近の大脳皮質の電子顕微鏡データでは、強いシナプスと弱いシナプスが異なる構造状態を占めることが示唆されている。大きなシナプスにはしばしばスパイン小器官が含まれ、カルシウム動態や可塑性を変化させ得る。ここでは、形態学的な異なるシナプスタイプに対して異なる計算上の役割を割り当てた。具体的には、状態依存的可塑性をもつネットワークがどのように動作するか、またそれらが発達させる機構や構造的特徴が生物学的観察と整合するかを問うた。シナプス状態を反復重みの閾値としてモデル化する可塑性スイッチング反復ニューラルネットワーク（psRNN）を構築した。低重み状態にあるシナプスは局所的ヘッブ型のルールを用い、高重み状態にあるシナプスは、時間を通じた逆伝播（backpropagation through time）として実装された理想化された非局所的信用割当信号を受け取る。psRNNは、完全に逆伝播で訓練したRNNよりも少ない試行で、時間的要求および作業記憶要求をもつ認知課題を学習した。これは、BPに基づく更新を行う反復重みの数が少ないにもかかわらず達成された。この利点は、相互作用する3つの機構によって生じた。1）ヘッブ型の更新が信用割当成分を複数の近傍するパラメータ配置に曝し、2）ネットワークが課題に関連した反復初期化を動的に構築し、3）ヘッブ成長が学習を不安定化する前にシナプスが信用割当部分集合へ切り替わったからである。構造的には、訓練されたpsRNNは対照RNNよりも、より多くの反対称重み、より低い有効階数、より強い順伝達構造を生成した。本結果は、不均一なシナプスの計算論的役割、とりわけ異なる種類の学習信号を制御し得る可能性を明らかにし、反復皮質回路のコネクトーム解析に対して検証可能な予測を提示する。
https://doi.org/10.64898/2026.06.10.731456