本研究は、深層スパイキングニューラルネットワーク（SNN）における内部表現がどのように階層的に出現するかを調査するものです。生物神経科学とベイズ情報理論の概念に基づく革新的な分析フレームワークを導入し、機能的接続性（functional connectivity）の観点からSNNの動作メカニズムを解明しました。 研究チームは、訓練済みのSNNアーキテクチャにおいて、ニューロンが前層のニューロンと示す統計的に有意なペアワイズ相関に基づいて、一次機能接続（1FC）グループを形成しました。その後、推論中のさまざまな条件下でのそれらの応答特性を追跡しました。興味深いことに、生物学的大脳皮質で観察されていた機能的接続の複数の原則が、スパイキングResNetアーキテクチャでも保存されていることが判明しました。 これらの1FCアンサンブルは極めて興味深い特性を示します。それらの集約的な共発火（cofiring）は、ReLUのような堅牢な入出力関係を通じて下流のニューロンの応答を確実に予測でき、このゲインはアンサンブルサイズに応じて体系的にスケーリングします。提示されたクラスの信頼できるエンコーディングは、高い1FC共発火イベント中にのみ出現し、これらのイベント自体は稀に発生します。つまり、情報的な表現は稀だが高度に協調した活動パターンに集中していることが示唆されます。均一ランダムノイズまたは敵対的摂動下では、特に初期層から中間層においてこれらの応答プロフィールが破壊されます。これにより、特定のノードと経路における標的化された高解像度の調査が可能になります。さらに、機能的接続構造は学習により形成され、重みの置換下でこの構造が破壊されることが示されました。これらの発見により、1FCアンサンブルが入力エンコーディングと情報転送のための機能的に有意な基盤であることが確立され、情報フローに関する標的化された微細な診断設計への応用の可能性が示唆されます。