深層学習モデルは複雑なタスクで最先端の性能を発揮する一方で、未知の環境や感覚情報の喪失に直面すると脆弱性を示すという課題があります。生物システムがこうした課題に対して驚異的な耐性を持つのに対し、人工ニューラルネットワークはその点で劣っています。この脆弱性に対処するため、研究者たちはショウジョウバエ（Drosophila melanogaster）の脳コネクトーム（神経接続地図）をシナプスレベルの精密さで基に、再帰型ニューラルネットワーク（RNN）の構築に取り組みました。このネットワークはFLYNN（Fly-based Learning for Yield and Navigation Network）と名付けられています。 FLYNNはシミュレーション環境MuJoCoにおいてビジョンベースのナビゲーションを実行するように学習され、同程度のパラメータ数を持つ従来の手工芸的に設計されたネットワークと同等の性能を達成しました。より重要な点は、FLYNNが分布外（OOD）データに対して優れた耐性を示し、さらなる学習を必要とせずに感覚喪失に対する耐性を備えていることです。実験では、FLYNNは完全な視覚喪失の状況下でも機能し続けましたが、一方で従来のネットワークはカメラドロップアウトを用いた専門的な学習を施されたにもかかわらず、大部分が失敗しました。 FLYNNの内部状態に対する主成分分析（PCA）の結果から、このネットワークは特に高度な表現的モジュール性を示していることが示唆されています。この特性がその堅牢性と関連している可能性があります。この研究は、生物の脳のトポロジーに従い、より耐性のある人工エージェントを設計するための新たな方向性を提供するものとなります。