柔軟な行動には、一般化可能な記憶と学習が必要である。例えば、人はユークリッドの二次元空間という知識や、環状交差点や地下鉄システムのような構造を再利用することで、新しい都市への通勤を忘れずに素早く学習できる。しかし、脳が既存の知識を用いて一般化しつつ、過去の個別の経験の記憶を保持する仕組みについては、詳細な理解が欠けている。このギャップに対処するため、我々は抽象的な逐次画像ナビゲーション課題において、行動計測、神経記録、計算モデリングを組み合わせ、3つの形態の汎化、すなわち記憶的汎化（視覚から心的ナビゲーションへ）、推移的汎化（訓練済みから未知の経路へ）、構造的汎化（馴染みのある環境から新しい環境へ）を調べる。サルやヒトとは対照的に、反復型ニューラルネットワークはすべての汎化に失敗した。そこで、格子細胞に基づくコンテンツ非依存のメトリック・スキャフォールドを用いて経験を保存する、構造化された嗅内皮質—海馬記憶モデルを、ポリシー反復ネットワークと結合することで、3つすべての汎化に成功することを見いだした。このコンテンツ非依存のスキャフォールドは、経路積分によって記憶的汎化と推移的汎化を可能にし、また、以前に学習された行動ポリシーネットワークを再利用できることにより、構造的汎化を促進する。さらに、このスキャフォールドの高い組合せ的容量は、壊滅的忘却なしに継続学習を可能にする。我々は2匹のサルが課題を遂行する際に、嗅内皮質と後部頭頂皮質から神経活動を記録し、神経集団内で2種類の異なる計算を見いだした。嗅内皮質と頭頂行動ポリシーネットワークをモジュール化して距離を別に追跡し、行動を開始することによって、異なる集団ダイナミクスを捉え、モデル性能が向上した。最後に、ネットワークへ強化学習モジュールを追加し、格子周期性を環境の時間的構造に整合させるための適切なスケール因子を学習できるようにした。これらの結果は、不変なメトリック表現を急速な感覚連合から因子分解し、転移可能なポリシーを学習・汎化・記憶することで、脳のように振る舞う建築（アーキテクチャ）を明らかにする。
https://doi.org/10.64898/2026.08.25.747129