私たちのチームは、神経科学と人工知能の両面から「Transformer 型デジタル脳」の構想を推進している。神経科学側では、小脳と基底核の協調による強化学習の相乗効果を実証し、皮質―上丘経路の機能分節と動的統合、後頭頭頂皮質のメゾスケール機能アーキテクチャを解明した。さらに化学親和性理論を用いた接続写像を提示し、将来の全脳シミュレーション技術を展望したほか、広視野２光子顕微鏡を新規導入して稼働を開始し、10 万細胞規模の活動計測を実現した。
計算・シミュレーション側では、Transformer を用いた中規模脳活動シミュレーションの時系列予測モデルを構築し、その妥当性を確認したのち、得られた知見を２光子カルシウムイメージング実データに適用して神経活動の生成を試みた。並行して複数の既存大規模言語モデル（LLM）の内部表現を抽出・比較し、疎オートエンコーダによる表現追跡や線形下位空間における数値推論、結合表現の解析を行い、内部構造を明らかにした。さらに鳥類音声解析用 Transformer を開発し、誤情報への誤信検証を促すインターベンション手法も提案、高解像度画像セグメンテーションを高速化する適応パッチング法も実装した。
LLMによる神経回路シミュレーションに対するコード開発能力の評価を行った。主要な12のオープンモデルと7つのクローズドモデルに対して、Hodgkin Huxleyモデルからなる神経回路シミュレーションのコーディング、ポーティング、並列化実装についてプログラムミング能力を評価した。その結果、オープンモデルにくらべクローズドモデルはより優れた性能を示し、一部のクローズドモデルは複雑なハイブリッド並列化の高速化を実現し、コーディング過程と対象の計算実行の加速の可能性を示した。
これらの成果により、動物行動から言語まで階層横断的に共通する表現原理を検証し、神経回路と LLM を相互参照する新たな解析枠組みを構築した。次世代 AI と脳情報基盤創出に向け、計測・計算・理論を統合するプラットフォームを今後さらに発展させる計画である。