論文の概要: A Spiking Neural Network Model of Elementary Self-Consciousness via Endogenous Default Mode Network Dynamics

• arxiv url: http://arxiv.org/abs/2609.29984v2
• Date: Tue, 29 Sep 2026 10:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.537553
• Title: A Spiking Neural Network Model of Elementary Self-Consciousness via Endogenous Default Mode Network Dynamics
• Title（参考訳）: 内因性デフォルトモードネットワークダイナミクスによる初等自己意識のスパイクニューラルネットワークモデル
• Abstract要約: Izhikevich 力学に基づく1万個のニューロンスパイクニューラルネットワーク(SNN)を組み込んだ大規模計算モデルを提案する。 内因性ペースメーカー活性が過渡性外部感覚摂動とどのように相互作用するかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding the neurobiological mechanisms underlying self-referential cognition and baseline self-consciousness remains a fundamental challenge in computational neuroscience. In this work, we propose a large-scale computational model incorporating a 10,000-neuron spiking neural network (SNN) based on Izhikevich dynamics. The network is structured into two interacting subsystems: a sensory processing layer (5,000 regular-spiking cortical neurons) and an endogenous Default Mode Network (DMN) pacemaker subsystem (5,000 intrinsically bursting neurons). The DMN layer is modulated by continuous tonic currents reflecting ascending brainstem neuromodulation, maintaining intrinsic, autonomous bioelectric rhythms independent of external sensory input. To represent top-down cognitive modulation, synaptic weights are hierarchically structured such that DMN-to-network projections exceed sensory-level connections. Through numerical simulations using a modified two-step Euler integration scheme, we demonstrate how endogenous pacemaker activity interacts with transient external sensory perturbations, providing an elementary mathematical framework for the emergence of a persistent, self-sustaining neural representation of "Self".
• Abstract（参考訳）: 自己参照認知とベースライン自意識の根底にある神経生物学的メカニズムを理解することは、計算神経科学の基本的な課題である。 本研究では,イジケビッチ力学に基づく1万個のニューロンスパイクニューラルネットワーク(SNN)を組み込んだ大規模計算モデルを提案する。 このネットワークは2つの相互作用するサブシステムで構成されている: 感覚処理層(正規スポーキング皮質ニューロン5,000個)と内因性デフォルトモードネットワーク(DMN)ペースメーカーサブシステム(内因的に破裂するニューロン5,000個)である。 DMN層は、上昇する脳幹神経変調を反映する連続トニック電流によって変調され、外部感覚入力とは無関係に内在的に自律的な生体電気リズムを維持する。 トップダウン認知変調を表現するために、シナプス重みは階層的に構成され、DMN-to-networkプロジェクションは感覚レベルの接続を超える。 修正された2段階のオイラー積分法を用いて数値シミュレーションを行い、内因性ペースメーカー活性が過渡的な外部感覚摂動とどのように相互作用するかを示す。

関連論文リスト

• Position Paper: Neurotransmitters as a Missing Dimension in Artificial Neural Networks [9.616143896727769]
  我々は、神経調節の原則をANN設計に組み込むことは、有望で未発見の研究の方向性を表していると論じる。 哺乳類の脳の優れた適応性と可塑性に触発されて、神経伝達物質による神経調節が学習の第3軸を構成すると仮定する。
  論文  参考訳（メタデータ） (2026-09-17T11:42:16Z)
• Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
  トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。 TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。 我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
  論文  参考訳（メタデータ） (2026-06-19T10:18:24Z)
• IP$^{2}$-RSNN: Bi-level Intrinsic Plasticity Enables Learning-to-learn in Recurrent Spiking Neural Networks [20.88195975299024]
  2レベル内在性可塑性を有する繰り返しスパイクニューラルネットワーク(IP$2$-RSNN)を開発した。 以上の結果から,RSNNにおけるL2Lの実現には,両レベルの内在性可塑性が重要な役割を担っていることが示唆された。
  論文  参考訳（メタデータ） (2025-01-24T14:45:03Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  神経科学とAIの両方では、ニューロン間の'バインディング'が、ネットワークの深い層においてより抽象的な概念を表現するために表現を圧縮する、競争的な学習の形式につながることが知られている。 完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。 このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、定量化、推論など、幅広いタスクにわたるパフォーマンス改善を提供する。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• Graph-Based Representation Learning of Neuronal Dynamics and Behavior [2.3859858429583665]
  本稿では,時間変動ニューロン接続をモデル化する新しいフレームワークTAVRNNを紹介する。 TAVRNNは、解釈可能な集団レベルの表現を維持しながら、単一単位レベルで潜伏ダイナミクスを学習する。 TAVRNNは,(1)自由行動ラットの電気生理学的データ,(2)到達作業中の霊長類体性感覚皮質記録,(3)仮想ゲーム環境と相互作用するDishBrainプラットフォーム内の生物学的ニューロンの3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Self-Evolutionary Reservoir Computer Based on Kuramoto Model [1.7072337666116733]
  生物学的にインスパイアされたニューラルネットワークとして、貯水池コンピューティング(RC)は情報処理においてユニークなアドバンテージを持っている。 本研究では,人的知識を必要とせず,手元にある特定の問題に適応できる構造的自律開発貯水池計算モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-25T15:53:39Z)
• Increasing Liquid State Machine Performance with Edge-of-Chaos Dynamics Organized by Astrocyte-modulated Plasticity [0.0]
  液体状態機械(LSM)は勾配のバックプロパゲーションなしで内部重量を調整する。 近年の知見は、アストロサイトがシナプスの可塑性と脳のダイナミクスを調節していることを示唆している。 本稿では, 自己組織的近接臨界力学を用いて, 性能の低いニューロン-アストロサイト液状状態機械 (NALSM) を提案する。
  論文  参考訳（メタデータ） (2021-10-26T23:04:40Z)
• Continuous Learning and Adaptation with Membrane Potential and Activation Threshold Homeostasis [91.3755431537592]
  本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。 このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。 実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T04:01:32Z)

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。