AIエングラム：人工知能における記憶痕跡を求めて
本研究は、神経科学の基準（特異性、再活性化、十分性、必要性）を制約付き逆問題として形式化し、深層ニューラルネットワーク内で同定可能な記憶痕跡「AIエングラム」を発見する幾何学的フレームワークを導入する。閉形式推定器により、大域的に絡み合ったパラメータから個々の記憶痕跡を分離し、この生物学的に着想を得た解がパラメータ多様体上の自然勾配更新に対応することを示す。AIエングラムは線形演算による記憶の外科的操作（合成・消去）を可能にし、反復最適化を不要とする。単純なMLPから大規模言語モデルに至る実験で因果的妥当性と拡張性を実証し、生物学的記憶と人工表現学習を橋渡しする。
ICML 2026で口頭発表された研究「AI Engram: In Search of Memory Traces in Artificial Intelligence」は、深層ニューラルネットワークにおける記憶痕跡の同定を目指す。著者らはJea Kwonら6名。
記憶形成は知能の基盤であるが、深層ネットワークが生物学的記憶単位に類似した同定可能な痕跡を保持するかは未解決問題だった。研究チームは、神経科学の4基準（特異性、再活性化、十分性、必要性）を制約付き逆問題に形式化する幾何学的フレームワークを導入した。このフレームワークにより、閉形式推定器を導出し、大域的に絡み合ったパラメータから個々の記憶痕跡を分離することに成功した。さらに、この生物学的に着想を得た解がパラメータ多様体上の自然勾配更新に対応することを示した。
AIエングラムの特筆すべき点は、線形演算のみで記憶の合成や消去を可能にする点である。従来必要だった反復最適化を不要とし、任意の記憶サブセットを外科的に操作できる。実験は単純なMLPから大規模言語モデル（LLM）まで及び、因果的妥当性と拡張性が実証された。これにより、学習済み知識の精密な制御が可能となり、生物学的記憶の操作に類似したアプローチが実現した。
本研究は生物学的記憶理論と人工表現学習を結びつけ、分散ストレージ内で機能特異性を同時にサポートする深層ネットワークの幾何学的洞察を提供する。コードは公開されており、ICML 2026での口頭発表がその重要性を示している。