深層学習モデルは複雑なタスクで最先端の性能を達成しているが、新しい環境や感覚入力の欠如に直面すると脆さを露呈する。対照的に、生物学的システムはこれらの課題に対して驚くべき耐性を示す。arXivに新たに投稿された論文は、生物にヒントを得たアプローチを提案する。ショウジョウバエ（Drosophila melanogaster）のシナプス解像度の脳コネクトームから直接リカレントニューラルネットワーク（RNN）を構築し、ロボットナビゲーションのコントローラとしての実現可能性を検証した。
このネットワークはFLYNN（Fly connectome Neural Network）と名付けられた。研究チームはMuJoCo物理シミュレータ内で、FLYNNに視覚ベースのナビゲーションタスクを訓練した。その結果、FLYNNの性能は、同程度のパラメータ数を持つ現代の手作りネットワークに匹敵することが示された。しかし真の利点は堅牢性にある。分布外（OOD）データに対してFLYNNはより強い耐性を示し、感覚入力の喪失に対しても追加訓練なしで優れた許容性を発揮した。
最も注目すべき実験結果は、完全に視覚入力を失った状況でもFLYNNが機能を維持したことである。一方、手作りのネットワークは、訓練時にカメラドロップアウトを適用して堅牢性を強化したにもかかわらず、ほとんどが完全に失敗した。この対比は、生物学的トポロジーがセンサー故障に対する内在的な優位性を持つことを浮き彫りにしている。
この堅牢性の起源を探るため、著者らはFLYNNの内部状態に主成分分析（PCA）を適用した。分析の結果、FLYNNは特に高い表現モジュール性（representational modularity）を示すことが明らかになった。これは、異なる機能サブネットワークが状態空間内で比較的独立に動作することを意味する。研究者らは、このモジュール性が堅牢性の鍵である可能性を指摘する。入力の一部が失われても、モジュール化された表現は損傷の伝播を限定できるが、手作りのネットワークは全体的な故障を起こしやすい。
本論文はBenquan Wangらによって投稿され、ロボティクス（cs.RO）と人工知能（cs.AI）の学際領域に属する。要旨は、この研究が弾力性のある人工エージェントの設計に新たな方向性を開くものであると述べている。すなわち、単に大規模な汎用ネットワークに頼るのではなく、生物学的脳のトポロジーを模倣することで、未知の環境やセンサー故障への適応能力を獲得するアプローチである。将来的には、このコネクトーム駆動型の設計思想が他のロボットタスクにも拡張され、より広範なニューロモルフィックコンピューティング研究を刺激する可能性がある。