我々の適応行動は、脳内で発現する「活動依存性シナプス可塑性」というメカニズムによって支えられており、新たな経験を通じて脳は環境情報の表現を学習します。本講演では、生物学的制約条件下において脳がいかに抽象的・確率的な情報表現を獲得するかを解明するための数理モデルについてご紹介します。感覚刺激から得られる情報を抽象化して表現する手法の一つとして次元削減が挙げられます。我々は、ショウジョウバエの嗅覚系に類似した三層ニューラルネットワークを用いて非線形次元削減を実現するためのシナプス学習則を開発しました。次に、確率的情報表現に関連して、大脳新皮質のニューロンは、明確な刺激の有無にかかわらず不規則な活動を示すことが知られています。我々は、カオス的ダイナミクスによって揺らぎを生成し、ベイズ事後分布に基づくサンプリングを行うリカレントニューラルネットワークモデルを構築しました。これらの数理モデルは、脳が抽象的かつ確率的な情報表現を学習するメカニズムの理解に寄与すると期待されます。

講師

豊泉 太郎 先生
理化学研究所 脳神経科学研究センター 数理脳科学研究チーム チームディレクター

講義：オンデマンド配信

お問い合せ先

本講義に関するご質問等は、「各種お問い合わせフォーム」より、お問い合わせください。

講師紹介

豊泉 太郎（とよいずみ たろう）先生

現職

• 理化学研究所 脳神経科学研究センター 数理脳科学研究チーム チームディレクター

経歴

• 2001年3月　東京工業大学 理学部 物理学科 卒業
• 2003年3月　東京大学大学院 新領域創成科学研究科 複雑理工学専攻 修士課程 修了
• 2006年3月　東京大学大学院 新領域創成科学研究科 複雑理工学専攻 博士課程 修了
• 2006年4月　日本学術振興会 ポスドク研究員（理化学研究所 脳科学総合研究センター，コロンビア大学 理論神経科学センター）
• 2008年3月　The Robert Leet and Clara Guthrie Patterson Trust ポスドク研究員（コロンビア大学 理論神経科学センター）
• 2010年4月　理化学研究所 脳科学総合研究センター 基礎科学特別研究員
• 2011年4月　理化学研究所 脳科学総合研究センター チームリーダー
• 2018年4月　理化学研究所 脳神経科学研究センター チームリーダー
• 2019年4月　東京大学大学院 情報理工学系研究科 数理情報学専攻 連携教授

研究概要

数理モデルの解析を通して，脳の神経回路が環境に対して適応し，学習するメカニズムの研究をしている．統計力学や情報理論などで培われた解析技術をコンピュータシミュレーションと組み合わせることにより，神経回路網が適切に機能する為に必要な基本的原理の理解を目指している．特に，神経細胞がその活動に応じて自身の性質を変化させる現象（神経可塑性）は脳の学習，記憶，発達に大きな役割を果たしている．数理的なモデルを駆使して，細胞レベルから回路レベルの知見を包括する可塑性の理論の構築を目指している．更に，その結果形成される神経回路がどのような情報処理の性能を持つかを予測する．

主な業績

• Yoshida K and Toyoizumi T.: “A biological model of nonlinear dimensionality reduction“, Science Advances 11, eadp9048 (2025). DOI:10.1126/sciadv.adp9048.
• Kinoshita Y and Toyoizumi T.: “A provable control of sensitivity of neural networks through a direct parameterization of the overall bi-Lipschitzness“, NeurIPS (2024).
• Terada Y and Toyoizumi T.: “Chaotic neural dynamics facilitate probabilistic computations through sampling”, Proc. Natl. Acad. Sci. USA 121, e2312992121 (2024), DOI:10.1073/pnas.2312992121.
• Kang L and Toyoizumi T.: “Distinguishing examples while building concepts in hippocampal and artificial networks”, Nature Communications 15, 647 (2024), DOI:10.1038/s41467-024-44877-0.
• Chan HK and Toyoizumi T.: “A multi-stage anticipated surprise model with dynamic expectation for economic decision-making”, Scientific Reports 14, 657 (2024), DOI:10.1038/s41598-023-50529-y.
• Yoshida K and Toyoizumi T.: “Information maximization explains state-dependent synaptic plasticity and memory reorganization during non-rapid eye movement sleep”, PNAS Nexus 2, 1-13 (2023), DOI:10.1093/pnasnexus/pgac286.
• Isomura T and Toyoizumi T.: “Dimensionality reduction to maximize prediction generalization capability” Nature Machine Intelligence 3, 434-446 (2021), 10.1038/s42256-021-00306-1
• Kusmierz L., Ogawa S. and Toyoizumi T.: “Edge of chaos and avalanches in neural networks with haeavy-tailed synaptic weight distribution” Physical Review Letters, 125, 028101 (2020), 10.1103/PhysRevLett.125.028101
• Legaspi R. and Toyoizumi T.: “A Bayesian psychophysics model of sense of agency” Nature Communications 10:4250 (2019), 10.1038/s41467-019-12170-0
• Humble J., Hiratsuka K., Kasai H., and Toyoizumi T.: “Intrinsic Spine Dynamics Are Critical for Recurrent Network Learning in Models With and Without Autism Spectrum Disorder” Frontiers in Computational Neuroscience 13:38 (2019), 10.3389/fncom.2019.00038
• Buckley C L and Toyoizumi T.: “A theory of how active behavior stabilizes neural activity: neural gain modulation by closed-loop environmental feedback” PLOS Computational Biology, 14, e1005926 (2018), 10.1371/journal.pcbi.1005926
• Tajima S, Yanagawa T, Fujii N, Toyoizumi T.: “Untangling brain-wide dynamics in consciousness by cross-embedding”, PLOS Computational Biology 11, e1004537 (2015), DOI:10.1371/journal.pcbi.1004537.
• Toyoizumi T, Kaneko M, Stryker MP, and Miller KD.: “Modeling the dynamic interaction of Hebbian and homeostatic plasticity” Neuron 84, 497-510 (2014), 10.1016/j.neuron.2014.09.036
• Toyoizumi T, Miyamoto H, Yazaki-Sugiyama Y, Atapour N, Hensch TK, and Miller KD.: “A theory of the transition to critical period plasticity: inhibition selectively suppresses spontaneous activity.” Neuron 80, 51-63 (2013), 10.1016/j.neuron.2013.07.022
• Toyoizumi T and Abbott LF.: “Beyond the edge of chaos: Amplification and temporal integration by recurrent networks in the chaotic regime” Physical Review E 84, 051908 (2011), 10.1103/PhysRevE.84.051908
• Toyoizumi T, Aihara K and Amari S.: “Fisher Information for Spike-Based Population Decoding” Physical Review Letters 97, 098102 (2006), 10.1103/PhysRevLett.97.098102
• Toyoizumi T, Pfister JP, Aihara K and Gerstner W.: “Generalized Bienenstock-Cooper-Munro rule for spiking neurons that maximizes information transmission” Proc. Natl. Acad. Sci. USA 102, 5239-5244 (2005), 10.1073/pnas.0500495102