論文の概要: Energy Costs and Neural Complexity Evolution in Changing Environments

• arxiv url: http://arxiv.org/abs/2511.20018v1
• Date: Tue, 25 Nov 2025 07:38:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.341339
• Title: Energy Costs and Neural Complexity Evolution in Changing Environments
• Title（参考訳）: 環境変化に伴うエネルギーコストと神経複雑度進化
• Authors: Sian Heesom-Green, Jonathan Shock, Geoff Nitschke,
• Abstract要約: 本研究では, 環境変動性とエネルギーコストが神経複雑性の進化に与える影響について検討した。 エネルギー制約の下では、季節性の増加はより小さなANNに繋がった。 結果は、神経複雑性の形成におけるエネルギー制約の役割、生物学的理論とエネルギー効率の良いロボット設計のためのシリコサポートの提供を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Cognitive Buffer Hypothesis (CBH) posits that larger brains evolved to enhance survival in changing conditions. However, larger brains also carry higher energy demands, imposing additional metabolic burdens. Alongside brain size, brain organization plays a key role in cognitive ability and, with suitable architectures, may help mitigate energy challenges. This study evolves Artificial Neural Networks (ANNs) used by Reinforcement Learning (RL) agents to investigate how environmental variability and energy costs influence the evolution of neural complexity, defined in terms of ANN size and structure. Results indicate that under energy constraints, increasing seasonality led to smaller ANNs. This challenges CBH and supports the Expensive Brain Hypothesis (EBH), as highly seasonal environments reduced net energy intake and thereby constrained brain size. ANN structural complexity primarily emerged as a byproduct of size, where energy costs promoted the evolution of more efficient networks. These results highlight the role of energy constraints in shaping neural complexity, offering in silico support for biological theory and energy-efficient robotic design.
• Abstract（参考訳）: CBH(Cognitive Buffer hypothesis)は、大きな脳が変化した状態の生存を促進するために進化したことを示唆している。 しかし、より大きな脳はより高いエネルギー需要を持ち、代謝の負担を増大させる。 脳の大きさとともに、脳の組織は認知能力において重要な役割を果たす。 この研究は、強化学習(RL)エージェントが使用するニューラルネットワーク(ANN)を進化させ、ANNのサイズと構造の観点から定義された、環境変動性とエネルギーコストが神経複雑性の進化にどのように影響するかを研究する。 その結果, エネルギー制約下では, 季節性の増加がANNの減少を招いた。 これはCBHに挑戦し、季節的な環境がネットエネルギーの摂取を減らし、脳の大きさが制限されるため、EBH(Expensive Brain hypothesis)をサポートする。 ANNの構造複雑性は、エネルギーコストがより効率的なネットワークの進化を促進するため、主にサイズの副産物として現れた。 これらの結果は、神経複雑性の形成におけるエネルギー制約の役割を強調し、生物学的理論とエネルギー効率の良いロボット設計のためのシリコ支援を提供する。

関連論文リスト

• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Growing Artificial Neural Networks for Control: the Role of Neuronal Diversity [7.479827648985631]
  生物学的進化において、複雑な神経構造は少数の細胞成分から成長する。 この自己組織化は、生物学的ニューラルネットワークの一般化と堅牢性において重要な役割を果たすと仮定されている。 本稿では,強化学習タスクを解くために,ニューラルネットワークを成長させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-14T11:21:52Z)
• Digital twin brain: a bridge between biological intelligence and artificial intelligence [12.55159053727258]
  本稿では,生物と人工知能のギャップを埋めるトランスフォーメーションプラットフォームとして,Digital Twin Brain(DTB)を提案する。 DTBは、ツインニング過程の基本となる脳構造、脳機能を生成する底層モデル、幅広い応用の3つの中核要素から構成される。
  論文  参考訳（メタデータ） (2023-08-03T03:36:22Z)
• Leveraging dendritic properties to advance machine learning and neuro-inspired computing [0.0]
  脳は驚くほど有能で効率的なシステムです。 現在の人工知能システムは、生物エージェントにとって簡単なタスクで競争するのに苦労しながら、トレーニングのために膨大なリソースを必要としている。 脳にインスパイアされたエンジニアリングは、持続可能な次世代AIシステムを設計するための、有望な新しい道として登場した。
  論文  参考訳（メタデータ） (2023-06-13T09:07:49Z)
• Multi-scale Evolutionary Neural Architecture Search for Deep Spiking Neural Networks [7.271032282434803]
  スパイキングニューラルネットワーク(SNN)のためのマルチスケール進化型ニューラルネットワーク探索(MSE-NAS)を提案する。 MSE-NASは脳にインスパイアされた間接的評価機能であるRepresentational Dissimilarity Matrices(RDMs)を介して、個々のニューロンの操作、複数の回路モチーフの自己組織化の統合、およびグローバルなモチーフ間の接続を進化させる 提案アルゴリズムは,静的データセットとニューロモルフィックデータセットのシミュレーションステップを短縮して,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2023-04-21T05:36:37Z)
• Neuromorphic Computing and Sensing in Space [69.34740063574921]
  神経型コンピュータチップは、生物学的脳の構造を模倣するように設計されている。 ニューロモルフィックデバイスの低消費電力とエネルギー効率に重点を置くことは、宇宙応用には最適である。
  論文  参考訳（メタデータ） (2022-12-10T07:46:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。