神経科学と機械学習の交差点において、脳がどのようにして逆伝播なしに学習を実現しているのかという根本的な問題に取り組んだ研究が発表されました。この研究は、スパイク時間依存可塑性（STDP）と恒常性可塑性という2つの局所的なシナプス学習則が、SIGRegのような自己教師あり学習目的の正確な勾配を実装できることを数学的に証明しています。 この発見の重要な点は、従来の深層学習で必須とされていた複数の要素が一切不要であることです。勾配計算、大域的エラー信号、重み行列の転送、ラベル情報といったものなしに、神経細胞の発火率の局所的な情報とその時間的統計性、そして自然な感覚刺激の時間的連続性だけで学習が可能というわけです。これは生物学的に実現可能な学習メカニズムが、従来の人工ニューラルネットワークの理論と実は等価であることを示唆しています。 研究チームは合成的なクラスタリングタスクとMNISTデータセットを用いて検証を行いました。時間的に順序付けされた入力を使用した場合、クラスタ分離度は2.49に達し、ランダム順序では0.83にとどまるという約3.5倍の有意な差が生じました。さらに重要なのは、時系列順序付けされたMNISTを用いた2層ネットワークが、これらの局所的ルールだけで訓練された場合、線形プローブ精度で87.3%を達成したことです。この結果は、提案されたメカニズムが実際に機能し、スケーラビリティを持つ可能性を示唆しており、生物学的に妥当な学習規則が実務的な機械学習タスクでも有効であることを実証しました。