論文の概要: Whole-Brain Connectomic Graph Model Enables Whole-Body Locomotion Control in Fruit Fly

• arxiv url: http://arxiv.org/abs/2602.17997v1
• Date: Fri, 20 Feb 2026 05:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.232755
• Title: Whole-Brain Connectomic Graph Model Enables Whole-Body Locomotion Control in Fruit Fly
• Title（参考訳）: 全脳コネクトロミックグラフモデルによる果実フライにおける全体ロコモーション制御
• Authors: Zehao Jin, Yaoye Zhu, Chen Zhang, Yanan Sui,
• Abstract要約: 成体のハエの脳の正確な神経構造を体の動きの制御に利用することを検討した。 本研究では,成体ショウジョウバエの完全連結体と静的構造が同一であるFly-connectomic Graph Model(FlyGM)を開発した。
• 参考スコア（独自算出の注目度）: 12.303046979087192
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Whole-brain biological neural networks naturally support the learning and control of whole-body movements. However, the use of brain connectomes as neural network controllers in embodied reinforcement learning remains unexplored. We investigate using the exact neural architecture of an adult fruit fly's brain for the control of its body movement. We develop Fly-connectomic Graph Model (FlyGM), whose static structure is identical to the complete connectome of an adult Drosophila for whole-body locomotion control. To perform dynamical control, FlyGM represents the static connectome as a directed message-passing graph to impose a biologically grounded information flow from sensory inputs to motor outputs. Integrated with a biomechanical fruit fly model, our method achieves stable control across diverse locomotion tasks without task-specific architectural tuning. To verify the structural advantages of the connectome-based model, we compare it against a degree-preserving rewired graph, a random graph, and multilayer perceptrons, showing that FlyGM yields higher sample efficiency and superior performance. This work demonstrates that static brain connectomes can be transformed to instantiate effective neural policy for embodied learning of movement control.
• Abstract（参考訳）: 全脳生物学的ニューラルネットワークは、自然に全身運動の学習と制御を支援する。 しかし、ニューラルネットワークコントローラとしての脳コネクトームの使用は、まだ解明されていない。 成体のハエの脳の正確な神経構造を体の動きの制御に利用することを検討した。 本研究では,Fly-connectomic Graph Model (FlyGM) を開発した。 動的制御を行うため、FlyGMは静的コネクトームを有向メッセージパスグラフとして表現し、知覚入力から運動出力への生物学的基盤情報の流れを強制する。 本手法はバイオメカニカルフルーツフライモデルと統合され,タスク固有のアーキテクチャチューニングを使わずに多様な移動タスクを安定的に制御する。 コネクトームモデルの構造的利点を検証するため、次数保存リワイヤドグラフ、ランダムグラフ、多層パーセプトロンと比較し、FlyGMがより高いサンプリング効率と優れた性能を得ることを示す。 この研究は、静的脳コネクトームを変換して、運動制御の具体的学習のための効果的な神経ポリシーをインスタンス化することを示した。

関連論文リスト

• Massively Parallel Imitation Learning of Mouse Forelimb Musculoskeletal Reaching Dynamics [0.5487412578664687]
  本稿では,神経科学研究室からキネマティックスデータを収集し,生体力学モデルでそれらの自然な動きを再現するためのパイプラインを作成する。 我々は,模擬物理環境における筋骨格モデルを用いて,器用な前肢到達作業を行うための模倣学習フレームワークを実装した。
  論文  参考訳（メタデータ） (2025-11-26T19:23:14Z)
• Embodied sensorimotor control: computational modeling of the neural control of movement [2.5332395228732225]
  本稿では, 神経集団の相互作用, 最適フィードバック機構, 身体の生体力学によって, 感覚運動の制御がいかに制御されるかについて概説する。 筋骨格動態の明示的制御による神経活動の解明を目的としたエンボディド・センセーモター制御に関する最近の研究
  論文  参考訳（メタデータ） (2025-09-17T18:40:29Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Reinforcement learning-based motion imitation for physiologically plausible musculoskeletal motor control [47.423243831156285]
  筋運動制御の理解を深めるために,モデルフリー運動模倣フレームワーク(KINESIS)を提案する。 我々は,KINESISが1.9時間のモーションキャプチャデータに対して強い模倣性能を達成できることを実証した。 キネシスはヒトの筋活動とよく相関する筋活動パターンを生成する。
  論文  参考訳（メタデータ） (2025-03-18T18:37:49Z)
• GeMuCo: Generalized Multisensory Correlational Model for Body Schema Learning [18.64205729932939]
  人間は自分の身体の感覚と動きの関係を学習することができる。 現在のロボットは、経験から人間によって記述されたネットワーク構造を学習することで身体を制御する。
  論文  参考訳（メタデータ） (2024-09-10T11:19:13Z)
• Agile and versatile bipedal robot tracking control through reinforcement learning [12.831810518025309]
  本稿では,二足歩行ロボットのための多目的コントローラを提案する。 足首と身体の軌跡を、単一の小さなニューラルネットワークを用いて広範囲の歩行で追跡する。 最小限の制御ユニットと高レベルなポリシーを組み合わせることで、高いフレキシブルな歩行制御を実現することができる。
  論文  参考訳（メタデータ） (2024-04-12T05:25:03Z)
• Learning with Chemical versus Electrical Synapses -- Does it Make a Difference? [61.85704286298537]
  バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。 我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
  論文  参考訳（メタデータ） (2023-11-21T13:07:20Z)
• DMAP: a Distributed Morphological Attention Policy for Learning to Locomote with a Changing Body [126.52031472297413]
  本稿では,生物学的に着想を得たポリシーネットワークアーキテクチャであるDMAPを紹介する。 主観的状態に基づく制御ポリシは,高度に可変な身体構成では不十分であることを示す。 DMAPは、すべての考慮された環境において、全体的な一致またはオラクルエージェントのパフォーマンスを超越して、エンドツーエンドで訓練することができる。
  論文  参考訳（メタデータ） (2022-09-28T16:45:35Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)
• An Adaptable Approach to Learn Realistic Legged Locomotion without Examples [38.81854337592694]
  本研究は,バネ装荷逆振り子モデルを用いて学習プロセスを導くことで,移動における現実性を保証するための汎用的アプローチを提案する。 モデルのない設定であっても、2足歩行ロボットと4足歩行ロボットに対して、学習したポリシーが現実的でエネルギー効率のよい移動歩行を生成できることを示す実験結果を示す。
  論文  参考訳（メタデータ） (2021-10-28T10:14:47Z)

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。